机器学习竟能精准识别类风湿性关节炎亚型

威尔康奈尔医学院和特种外科医院（HSS）的研究人员所创建的一种机器学习工具能够助力区分类风湿性关节炎（RA）的亚型，这或许有助于科学家探寻改善这种复杂病症护理的途径。

这项研究发表于《自然通讯》，显示出人工智能和机器学习技术能够有效且高效地对 RA 患者的病理样本进行亚型划分。

“我们的工具实现了病理切片分析的自动化，或许在未来的某一天能为 RA 带来更精准和高效的疾病诊断以及个性化治疗，”

当下有好几项研究正在开发用于肿瘤病理切片自动分析的机器学习工具。王博士及其同事一直在致力于将这项技术的应用拓展至其他临床专业。

在最新的研究中，王博士与理查德·贝尔博士合作，理查德·贝尔博士是关节炎和组织退化项目及研究所的讲师，也是 HSS 分子组织病理学核心实验室的计算病理学分析师，还与莱昂内尔·伊瓦什基夫博士合作，莱昂内尔·伊瓦什基夫博士是 HSS 关节炎和组织退化项目的首席科学官和主席，也是威尔康奈尔医学院的医学教授，来将类风湿关节炎组织样本的亚型分类过程自动化。区分类风湿关节炎的三种亚型，这可能有助于临床医生为特定患者选择最可能有效的治疗方法。

病理学家目前使用一套标准手动对人类患者活检样本中的关节炎亚型进行分类，从而识别细胞和组织特征——这是一个缓慢的过程，增加了研究成本，并可能导致病理学家之间的不一致。

“这是病理学研究的分析瓶颈，”贝尔博士说。“这非常耗时且乏味。”

该团队首先在一组小鼠的类风湿关节炎（RA）样本上训练其算法，优化其区分样本中组织和细胞类型，并按亚型进行分类的能力。他们在第二组样本上验证了该工具。该工具还为小鼠的治疗效果带来了新的发现，比如在给予常用的 RA 治疗六周内，软骨降解有所减少。

然后，他们将该工具应用于来自加速药物合作类风湿关节炎研究联盟的患者活检样本，并表明它可以有效且高效地对人类临床样本进行分类。研究人员如今正借助更多的患者样本对该工具进行验证，并确定将这一新工具融入病理学家工作流程的最佳途径。

“这是朝着更个性化的 RA 护理迈出的第一步，”贝尔博士说道。“如果你能构建一个识别患者亚型的算法，你将能够更快地为患者提供他们需要的治疗。”

该技术能够通过检测人类可能会遗漏的意外组织变化，为这种疾病带来新的认识。

由于节省了病理学家进行亚型分类的时间，该工具还有可能降低成本，提高针对不同类风湿关节炎亚型患者的临床试验治疗测试的效率。

“通过把病理切片和临床信息相结合，这个工具展现出了人工智能在推进个性化医疗方面不断增强的影响力，”威尔康奈尔医学院临床研究高级副院长兼人口健康科学系主任 Rainu Kaushal 博士说道。

这项研究特别令人兴奋，因为它为检测和治疗开辟了新的途径，在我们怎样理解和照料类风湿关节炎患者这方面取得了重大的进展。

该团队正在努力研发用于评估骨关节炎、椎间盘退变以及肌腱病的类似工具。

此外，王博士的团队还在从更广泛的生物医学信息里确定疾病亚型。比如说，他们最近展示了机器学习能够区分帕金森病的三个亚型。

王博士表示：‘我们期望我们的这项研究能够促使更多针对更多疾病开发机器学习工具的计算研究。’

伊瓦什基夫博士补充说：‘这项工作在分析类风湿关节炎组织方面是一个重要的进步，能够造福患者。’