转移性肿瘤，即癌细胞脱离其原始组织，通过循环或淋巴系统穿过身体，并在身体的其他部位形成新的肿瘤，很难检测。2009年在波士顿两家医疗中心对102名乳腺癌患者进行的一项研究发现，四分之一的患者受到护理过程失败的影响，例如身体检查不充分和诊断检查不完整。

这是全球因乳腺癌导致的50万人死亡的原因之一，估计90％是由于转移造成的。但圣地亚哥海军医疗中心的研究人员以及致力于AI研究的Google部门的研究人员已开发出一种有前途的解决方案，该解决方案采用癌症检测算法，可自动评估淋巴结活检。

他们的AI系统被称为淋巴结助手（LYNA），在题为“Artificial Intelligence-Based Breast Cancer Nodal Metastasis Detection”的论文中有所描述，该论文发表在“The American Journal of Surgical Pathology”上。在测试中，它实现了接收器工作特性（AUC）下的面积检测精度的测量达到99％。这比人类病理学家更优秀，根据最近的一项评估，在时间限制下，在个别载玻片上发现小转移，概率有62％。

“AI算法可以详尽地评估幻灯片上的每个组织贴片，”该论文的作者写道，“我们提供了一个框架，以帮助实践病理学家评估这些算法，以便采用它们的工作流程（类似于病理学家如何评估免疫组织化学结果）。”

LYNA基于Inception-v3，这是一种开源图像识别深度学习模型，已被证明可以在斯坦福的ImageNet数据集上实现78.1％的准确率。正如研究人员解释的那样，它需要一个299像素的图像（Inception-v3的默认输入大小）作为输入，在像素级别概述肿瘤，并且在训练过程中，提取组织贴片的标签，即预测（“良性”或“肿瘤”）并调整模型的算法权重以减少误差。

该团队通过将LYNA暴露于正常与肿瘤斑块的4：1比例，并通过提高训练过程的计算效率来改进先前公布的算法，这又导致算法看到更多的组织多样性。此外，他们还对活检幻灯片扫描的变化进行了标准化，他们认为这可以将模型的性能提升到更高的程度。

研究人员将LYNA应用到Cancer Metastases in Lymph Nodes 2016挑战数据集（Camelyon16），以及来自20名患者的108张图像。它对270个载玻片（160个正常，110个有肿瘤）进行了训练，并使用两个评估集，一个由129个载玻片组成，另一个由108个载玻片组成，用于评估其性能。

在测试中，LYNA实现了99.3％的slide-level精度。当调整模型的灵敏度阈值以检测每张载玻片上的所有肿瘤时，其灵敏度为69％，准确识别评估数据集中的所有40个转移灶，没有任何误报。此外，它不受载玻片中的人工制品的影响，例如气泡，加工不良，出血和过度涂抹。

当然，LYNA并不完美，它偶尔错误地识别了巨细胞，生发癌和骨髓来源的白细胞，但是比负责评估相同载玻片的执业病理学家表现更好。在谷歌AI和Verily，谷歌母公司Alphabet的生命科学子公司发表的第二篇论文中，该模型将一个由六人组成的董事会认证病理学家团队检测淋巴结转移的时间缩短了一半。

未来的工作将调查该算法是否提高效率或诊断准确性。研究人员写道，“Lyna对病理学家的肿瘤水平敏感度高于slide水平，与病理学家相当。这些技术可以提高病理学家的生产力，减少与肿瘤细胞形态学检测相关的假阴性数量。”