Dartmouth’s Norris Cotton癌症中心和Dartmouth University合作，使用深度学习算法自动分类载玻片上的肺腺癌（Adenocarcinoma）组织切片，借由识别肺腺癌类型以利预后（对疾病未来进展和结果的预测参考），速度不只更快，其精确度更与病理学家相同。
肺腺癌组织形态的分类，对于针对患者肿瘤等级以及后续治疗至关重要，但是由于肺癌有多种形态，再加上主观的判断标准，实际上难以准确的评估肺癌状况。肺腺癌组织亚型有五种，不同的组织形态影响肺腺癌预后，因次识别组织形态会进一步影响病患存活率，研究团队指出，像是知道癌症组织只有纯鳞屑状形态，医生能更精准的掌握第一期肺腺癌患者的后续发展，而当切片中多为乳头状或是实状组织，则病患存活率低需要辅助化疗。
但要从组织中识别出这些消息并不容易，80％的肺腺癌病例混有多种组织类型，而研究团队表示，用于分类的定性标准，会使病理学家的观察产生差异，研究也证实，不同肺部状态评估，对于肺癌组织形态的判读有很大的影响，病理学家难以分辨切片中主要的肺癌组织类型，但即便是微小的判读差异，都可能对医生后续判断产生严重地影响。
而这项研究是医学上首次使用深度学习技术，对肺腺癌手术切除的组织进行亚型的分类。研究团队使用了Dartmouth’s Norris Cotton癌症中心收集的422张幻灯片图片，这些图片被随机分类用于训练、开发和测试，最后使用独立的143张图像，评估训练过的模型与三位病理学家的识别结果，评估的结果显示，该模型的所有评估指标，都与病理学家的的评估结果一致，落在95％信任区间中。
研究团队表示，由于模型能够快速的识别出结果，因此能够被集成到消息管理系统中，不只可以自动补充幻灯片的癌症亚型诊断，也能对较复杂的案例进行第二次判读。该系统将作为一个自动化平台，用于确保肺腺癌组织切片解读的品质，这篇论文在Nature的Scientific Reports上发布，程序代码已在GitHub上开源。