Nature communications, DOI: 10.1038/ncomms12474, http://goo.gl/Px17VS
這篇文章其實沒有提出新的方法，用的都是舊有的方法，像是naive Bayes、SVM這些，
所以他們創新的地方只有納入了prognosis（survival time）。然後雖然摘要看起來很厲
害，其實沒有真的那麼厲害。
首先他們提到要用電腦做這件事的原因是，即使是experienced pathologists都不見得能
正確辨識non-small cell lung cancer的各種subtypes（我沒有去check reference 20，
但看起來應該是這樣），然後其中對於adenocarcinoma和squamous carcinoma的分辨率又
很低。
但是他們的各種方法表現得比較好的部分（AUC=0.8左右）其實是在tumor part versus
normal part的部份，可是這部份他們沒有提供一般pathologists的辨識率。在
adenocarcinoma versus squamous carcinoma的部份其實AUC只有0.7左右。乍看之下好像
比pathologists辨識的結果好（k=0.55~0.59 among all pathologists under study），
但其實這有點是雞蛋比蘋果。如果大家已經忘了AUC（area under the curve）在做什麼，
那只要記得一件事就好了，就是中央的那條斜對角線代表的是50%面積的分隔線，也是丟銅
板也應該猜中一半的地方，所以你的方法只要低於這條線就是廢物，也就是比丟銅板猜中
的機率還低。
所以AUC=0.5是門檻，那麼一般的rule of thumb是AUC=0.6~0.7是表現極差的、0.7~0.8是
還可以，要在0.8以上才可以叫不錯。另外，由於各種方法多半都是在sensitivity與
specificity之間有個trade-off，也就是當你的方法越sensitive時，越可能產生false
positives。在AUC的圖裡面，Y軸是sensitivity、X軸是false positive rate，所以雖然
算的都是底下的面積（area under the curve），其實是越靠近左上角越好。但是在
Figure 2(b)裡可以看到有一些方法的sensitivity有到1，可是false positive rate卻高
達55%以上，那這種的其實也沒什麼用處。
他們貢獻比較大的部份應該是從跑這堆classifiers的過程中找出一些足供辨識的
features，可以拿來預測prognosis/survival。Figure 3(c)是他們用training data
（TCGA）找出的features做的adenocarcinoma病患的survival curves，這部份的確分得
還不錯，但是拿去用在testing data（TMA）時，Figure 3(d)其實只有在50個月以後這兩
條survival curves才分得開。這在squamous carcinoma也有差不多的情況，但squamous
carcinoma是在training data的部份就分得更不好了。在臨床上，難道要叫醫生跟病人說
「如果你可以活過四年，我就可以告訴你你大概可以再活多久」？
我想如果電腦可以輔助看片，應該可以減輕醫生的工作量，所以我猜pathologists應該是
樂見其成吧。但是要把電腦訓練到跟人腦差不多聰明（這個是一次只辨識兩種腫瘤喔，兩
種以上又更複雜了），應該還需要一段時間吧。
小弟看這篇文章只是匆匆瀏覽，如有錯誤還請指正。