在这项研究中，研究人员开发的人工智能系统可以帮助提高复杂转移性癌症患者的诊断水平，特别是在资源水平较低的地区；它可以通过使用常规获得的组织切片来发现转移性肿瘤的来源，并且还可以对来源不明的癌症患者产生鉴别诊断策略。

  研究者指出，几乎每个接受癌症诊断的患者都会有一个组织切片，这是100多年来的诊断标准。这项研究为科学家提供了一种利用广泛可用的数据和人工智能的强大力量来帮助提高这些复杂癌症病例的诊断水平的方法，这些病例通常需要大量的诊断工作。
 

  研究人员开发的基于深度学习的算法称为TOAD算法，它可以同时识别肿瘤是原发性的还是转移性的，还可以预测肿瘤的起源。研究人员利用来自22000多个癌症病例的肿瘤病例研究的gigapixel全切片对该模型进行训练，然后在大约6500个已知原发病例中检测TOAD算法，分析越来越复杂的转移性癌症病例，从而建立原发性未知癌症的人工智能模型。

  对于原发来源已知的肿瘤，该模型可以在83%的时间内准确识别癌症，并在96%的时间内将诊断纳入前三位预测结果。随后，研究人员在317例原发性未知癌症中测试了该模型，并进行鉴别诊断。结果显示，在61%的情况下，TOAD诊断与病理学家的报告一致，在82%的情况下，与前三个预测一致。
 

  TOAD算法的性能与最近几篇利用基因组数据预测肿瘤起源的研究报告基本相同；虽然基于基因组的人工智能技术可以提供一种替代方法来辅助癌症诊断，但基因组检测并不总能在患者中发挥作用，尤其是在资源水平较低的地区。

  研究人员希望继续在更多的病例中训练这种基于组织学的模型，并参与更多的临床试验，以确定这种新算法是否有助于提高癌症的诊断能力和预测患者的预后。
 

  这种新模型的顶级预测能力，通过减少辅助检查次数、额外的组织取样和诊断患者所需的整体时间，可以加快疾病的诊断和后续治疗，而这可能是漫长而有压力的；前三者的预测结果可用于指导病理学家的下一步工作，而最高预测可能用于在缺乏案例研究专业知识的环境中指定鉴别诊断。

  这项研究的结果只是利用全切片图像在人工智能辅助下预测癌症起源的第一步。当然，这也是科学家们激动人心的研究领域。有望在未来规范诊断流程，完善现行癌症诊断策略。
 

  TOAD算法可作为复杂转移性肿瘤和原发性不明癌类型鉴别诊断的辅助诊断工具，并可与辅助检查和广泛诊断检查相结合，降低原发性不明癌的发病率。