轉移性腫瘤，指的是癌細胞脫離其原始組織，通過循環或淋巴系統穿過身體，并在身體的其他部位形成新的腫瘤，這是眾所周知非常難以檢測的一種腫瘤。2009年，在波士頓，兩家醫療中心對102名乳腺癌患者進行的一項研究發現，有四分之一的患者都由于醫療過程中“照護程序”失敗，而受到了不同程度的影響，例如可能是因為身體檢查不充分和診斷檢查不完整。

全球有50萬人因乳腺癌死亡，他們當中有90％都是轉移性腫瘤。圣地亞哥海軍醫療中心的研究人員，以及致力于的Google人工智能部門研究人員，目前開發出了一種可期的解決方案，該解決方案采用癌癥檢測算法，可自動評估淋巴結活檢。

他們的AI系統，又被稱為淋巴結助手（LYNA），一篇發表在《美國外科病理學》雜志上，題為《基于人工智能的乳腺癌淋巴結轉移檢測》的論文中對該系統有所描述。在測試中，它的接收器工作特性（AUC）下面積（一種檢測精度的測量）能達到99％，這是病理檢驗師所做不到的。根據最近的一項評估，病理檢驗師在時間限制下有62％的時間發現不了個別載玻片上的小轉移現象。

該論文的作者寫道：“人工智能算法可以詳盡地評估幻燈片上的每個組織切片。我們提供了一個框架，以幫助實踐中的病理學家評估這些算法，并把它們納入自己的工作流程（類似于病理學家如何評估免疫組織化學結果這樣的內容）。”

LYNA模型是一種開源的基于Inception－v3的圖像識別深度學習模型，在斯坦福的ImageNet數據集拎已經被證明可以實現78．1％的準確率。正如研究人員所解釋的那樣，它需要一個299像素的圖像（Inception－v3的默認輸入大小）作為輸入值，然后在像素大小的級別上顯示出腫瘤的輪廓，并且在訓練過程中，得到標簽——即預測該組織切片是“良性”還是“腫瘤”，并調整模型的算法權重以減少誤差。

該團隊通過將LYNA模型置于正常切片比腫瘤切片為4：1比例的這樣一個訓練環境中，并提高訓練過程的“計算效率”，改進了他們先前公布的算法，這使得通過該算法可以“看到”更多的組織多樣性。此外，他們還對活檢玻片掃描的變化進行了標準化，他們認為這可以將模型的性能提升到更高的程度。

研究人員將LYNA模型置于2016年淋巴數據集中（Camelyon16）的癌癥轉移數據環境里進行訓練，該數據集來自于Radboud大學（Nijmegen， the Netherlands）和Utrecht大學（Utrecht， the Netherlands）的醫學中心，里面包含了399個淋巴結切片的玻片圖像，以及來自20名患者的108張圖像。它對270個載玻片（160個正常，110個腫瘤）進行了訓練，并使用了兩個評估集——一個由129個載玻片組成，另一個由108個載玻片組成，來進行性能評估。

在測試中，LYNA模型實現了99．3％的載玻片級精度。當調整模型的靈敏度閾值，來檢測每張載玻片上的所有腫瘤時，其靈敏度為69％，能準確識別評估數據集中的全部的40個轉移灶，沒有任何誤報。此外，它不受載玻片中的人工制品的影響，例如氣泡，加工不良，出血和過度涂抹等現象。

LYNA模型并不完美，它偶爾會錯誤地識別巨細胞，生發癌和骨髓，他們來源于被稱作組織細胞的白細胞，但在評估相同載玻片時，它的表現的確比病理學家們更好。在谷歌AI和Verily（谷歌母公司Alphabet的一個生命科學子公司）發表的第二篇論文中，該模型檢測淋巴結轉移的時間，與一個由六位權威認證的病理學家組成團隊相比的話，縮短了一半。

未來的工作將圍繞調查該算法是否能提高效率或診斷準確性。

研究人員寫道，“LYNA模型與病理學家相比，監測腫瘤敏感度水平更高。這些技術可以提高病理學家的生產力，減少腫瘤細胞形態學檢測方面的假陰性數量。”

Google已廣泛投資于人工智能醫療保健的相關應用程序。今年春天，Mountain View公司的Medical Brain團隊聲稱創建了一個AI系統，可以預測再入院的可能性，并且他們在6月份使用它來預測了兩家醫院的死亡率，準確率達90％。2月份，谷歌和Verily的科學家創建了一個機器學習網絡，可以準確地推斷出一個人的基本身體信息，包括他們的年齡和血壓，以及他們是否有患心臟病等重大心臟類疾病風險。

DeepMind，Google在倫敦的人工智能研究部門，參與了幾項與健康相關的人工智能項目，其中包括美國退伍軍人事務部正在進行的一項試驗，旨在預測患者在住院期間病情的惡化實踐。此前，它與英國國家健康服務中心合作開發了一種可以尋找早期失明跡象的算法。今年早些時候，一篇發表于Medical Image Computing ＆ Computer Assisted Intervention會議上的論文中，DeepMind的研究人員表示，他們已經開發出一種能夠以“近乎人性化”的方式對CT掃描進行劃分的AI系統。