剑桥大学的研究人员表示，人工智能“深度学习”技术可用于对 Barrett 食管疑似病例进行分类，这是食管癌的前兆，可能会导致更快和更早的诊断。当研究人员将该技术应用于分析使用“绳上药丸”诊断工具 Cytosponge 获得的样本时，他们发现它能够将病理学家的工作量减少一半，同时与经验丰富的病理学家的准确性相匹配。

癌症的早期检测通常会带来更好的生存率，因为可以更有效地治疗癌前病变和早期肿瘤。这对于食道癌尤其重要，食道癌是癌症相关死亡的第六大常见原因。患者通常出现吞咽困难和体重减轻的晚期阶段。五年总生存率可低至 13%。

食管癌的一种主要亚型之前是一种称为 Barrett 食管的疾病，其中食管内壁的细胞会改变形状。Barrett 食管发生在患有胃食管反流病 (GORD) 的患者身上，GORD 是一种消化系统疾病，胃酸和胆汁从胃中回流到食管，导致胃灼热症状。在西方国家，10-15% 的成年人口受到 GORD 的影响，因此患 Barrett 食管的风险增加。

目前Barrett食管只能通过胃镜和组织活检来检测。剑桥大学的研究人员开发了一种称为 Cystosponge 的侵入性小得多的诊断工具 - 一种在胃中溶解的“绳子上的药丸”，当它被取出时，会从食道内壁吸收一些细胞。然后使用称为 TFF3 的实验室标记对这些细胞进行染色，然后可以在显微镜下进行检查。

现在，在Nature Medicine发表的一项研究中，剑桥的一个团队将深度学习技术应用于样本分析，将患者分为八个分诊类别，以确定患者样本是否需要人工审查或自动审查是否足够。该算法使用来自 2,331 名患者的 4,662 张病理切片进行训练。

剑桥大学 MRC 癌症部门的 Rebecca Fitzgerald 教授开发了 Cytosponge 并与 AI 团队合作，她说：“任何支持临床决策的系统都需要在其性能与工作量减少和潜在经济影响之间取得平衡。完全取代病理学家可能会大大减少工作量并加快诊断速度，但只有在表现与人类专家的表现保持可比性并且需要克服监管障碍的情况下，这种方法才可行。”

对于 Cytosponge-TFF3 样本的分析，分类方法显示出几个好处，大大减少了工作量并匹配了经验丰富的病理学家的敏感性和特异性。敏感性是“真阳性”率——也就是说，对于患有 Barrett 食管的人来说，测试正确产生阳性结果的频率。另一方面，特异性衡量测试为没有患病的人正确产生阴性结果的能力。

研究人员表明，病理学家的完全手动审查可实现 82% 的敏感性和 93% 的特异性。在全自动方法中，他们观察到灵敏度为 73%，特异性为 93%。该团队能够证明，使用分类驱动的方法，可以自动审查多达三分之二的病例，同时实现 83% 的敏感性和 93% 的特异性。该团队估计，这种方法将使病理学家的工作量减少 57%。

该团队能够将熟悉 Cytosponge-TFF3 样本的病理学家应用的解决问题技术融入到他们的算法中。这意味着算法是可解释的——换句话说，临床医生将能够理解他们做出特定决定的原因。这对问责制很重要。

领导人工智能算法工作的 CRUK 剑桥研究所的 Florian Markowetz 博士说：“我们已经证明，可以使用计算机辅助工具来简化对有 Barrett 食管风险的人的识别。通过半自动化流程，我们可以将工作量减少一半以上，同时保持熟练病理学家的准确性。这可能会加快 Barrett 食管的诊断速度，并有可能加快识别那些患食管癌风险最大的人。”

该团队表示，这种分类驱动的方法可以应用于细胞海绵之外的许多其他疾病的测试，如胰腺癌、甲状腺癌或唾液腺恶性肿瘤。