日本理研大学高级智能计划中心(AIP)开发的人工智能(AI)技术已经成功地发现了人类癌症患者病理图像的特征，而没有注释，人类医生可以理解这些特征。此外，AI识别出病理学家先前未注意到的与癌症预后相关的特征，与基于病理学家的诊断相比，导致前列腺癌复发的准确性更高。将AI的预测与人类病理学家的预测相结合，可以带来更高的准确性。

该研究的第一作者Yoichiro Yamamoto表示：“通过从图像中获取新知识，该技术可以通过高度准确地预测癌症复发来为个性化医学做出贡献。它还可以有助于理解AI的发展方式。通过帮助解决将AI视为“黑匣子”的问题，将其安全地用于医学领域。”

由Yamamoto和Go Kimura领导的研究小组与日本许多大学医院合作，采用了一种称为“无监督学习”的方法。只要人类教AI，就不可能获得超出当前已知知识的知识。人工智能不是被“传授”医学知识，而是被要求使用无监督的深度神经网络(称为自动编码器)进行学习，而无需提供任何医学知识。研究人员开发了一种方法，可以将AI所发现的特征(最初只是数字)转换为人类可以理解的高分辨率图像。

为了完成这项壮举，该小组从日本医学院医院(NMSH)获得了13188张前列腺全载病理切片图像，数据量巨大，相当于大约860亿个图像补丁(为深层神经网络划分的子图像) ，并且计算是在AIP强大的RAIDEN超级计算机上执行的。

AI从1100万个图像补丁中学习了使用没有诊断注释的病理图像。AI所发现的特征包括在格里森评分上已在全球范围内使用的癌症诊断标准，而且还涉及专家不了解的非癌症区域中的基质(支持器官的结缔组织)。为了评估这些AI发现的功能，研究小组使用了来自NMSH(内部验证)的其余案例验证了复发预测的性能。该小组发现，人工智能所发现的特征比基于病理学家根据人为建立的癌症标准格里森评分(AUC = 0.744)做出的预测更为准确(AUC = 0.820)。此外，结合AI发现的特征和人为建立的标准，与单独使用任何一种方法相比，预测复发的准确性更高(AUC = 0.842)。该小组使用另一个数据集确认了结果，该数据集包括来自圣玛丽安娜大学医院和爱知医科大学医院的2276张完整的病理图像(100亿个图像补丁)(外部验证)。

Yamamoto说：“我很高兴，发现AI能够从未注释的病理图像中自行识别出癌症。我非常惊讶地看到AI找到了可用于预测复发的功能，而病理学家没有确定。”

他继续说：“我们已经证明，人工智能可以从无诊断注释的组织病理学图像中自动获取人类可理解的知识。这种'新生的'知识可以通过允许对癌症复发的高精度预测来对患者有用。非常高兴的是，我们发现，将AI的预测与病理学家的预测相结合，甚至可以进一步提高准确性，这表明AI可以与医生一起使用以改善医疗保健，此外，AI可以用作发现特征的工具迄今为止尚未注意到的疾病，并且由于它不需要人类知识，因此可以在医学以外的其他领域中使用。”