机器比人类做得更好的事情又多了一项：检查和诊断乳腺癌。斯坦福大学的研究人员开发了一种新软件，可以自动评估乳腺癌的显微图像，并判断其侵袭性和类型，从而为患者提供准确的预后。事实证明，它的准确率比人类医生更高。
该系统将自大萧条以来基本未曾改变的癌症病理学带入了21世纪。
新系统名为C-Path，意为计算病理学家。据开发者称，它可以对存在的癌细胞类型进行分类，甚至识别出与生存几率低相关的一组新特征。耶鲁大学病理学家、未参与此项研究的大卫·里姆博士表示，这项技术可以改变计算机在病理学和医学中的应用。“C-Path似乎是‘沃森式’的计算机辅助医学的前身，”他在一篇关于这项工作的论文的评论中写道。
由安德鲁·贝克博士（Dr. Andrew Beck）领导的斯坦福大学研究人员开发了一种机器学习算法，并使用来自已知病情的患者的现有组织样本对其进行了训练。计算机分析了来自荷兰癌症研究所和温哥华总医院的大量图像，并对细胞的形态和其他特征进行了数千次测量。然后，人类病理学家手工训练计算机区分两种细胞：基质细胞和上皮细胞（结缔组织与腺体组织），这是预测乳腺癌严重程度和扩散的重要区别。最终，C-Path系统使用了6,642个独立特征，并创建了一个新的评分系统，可以预测乳腺癌患者的预后。
在训练完成后，贝克等人使用C-Path评估了它之前未检查过的癌症患者的组织。同样，研究人员已经知道结果，因此能够检查C-Path的成功率。作者表示，其结果在统计学上显著优于基于人类的检查。
C-Path甚至发现了病理学家尚未发现的——癌细胞和周围细胞的特征对于确定患者的预后都很重要。“通过机器学习，我们开始更全面地看待癌症，将其视为一个复杂的系统，而不是肿瘤中的一堆坏细胞，”病理学教授、该研究的合著者马特·范·德·里恩博士（Dr. Matt van de Rijn）在一份声明中说。“计算机正在为我们指出什么更重要，而不是反过来。”
里姆解释说，这是一个令人印象深刻的结果，因为现有的病理分析是一门非常主观的科学。专家通过观察组织来判断组织的转移情况和患者的总生存几率，他们自己的诊断可能差异很大，正如2008年的一项研究所示。但使用数千倍标准参数的计算机模型可以更加一致。
尽管取得了成功，但作者表示，C-Path距离临床应用还有很长的路要走。但这是一个有力的概念验证，正如里姆所说，人类病理学家应该注意到它。这项工作今天在线发表在《科学转化医学》（Science Translational Medicine）杂志上。
