編者按：7月12日-7月14日，2019第四屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2019）于深圳正式召開(kāi)。峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦，得到了深圳市政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流博覽盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域極具實(shí)力的跨界交流合作平臺(tái)。

7月14日，騰訊AI Lab醫(yī)療中心首席科學(xué)家姚建華發(fā)表了主題為《AI在病理診斷中的前沿研究和應(yīng)用》。

騰訊AI Lab是公司級(jí)的實(shí)驗(yàn)室，姚建華向雷鋒網(wǎng)介紹，現(xiàn)在AI Lab有超過(guò)70名研究員和超過(guò)300名工程師，研究方向包括計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、語(yǔ)音識(shí)別、自然語(yǔ)言處理，醫(yī)療是實(shí)驗(yàn)室的主要應(yīng)用場(chǎng)景之一。

騰訊AI Lab為騰訊首款將人工智能技術(shù)運(yùn)用在醫(yī)學(xué)領(lǐng)域的AI產(chǎn)品——騰訊覓影提供算法技術(shù)支持。2017年11月，科技部公布首批國(guó)家新一代人工智能開(kāi)放創(chuàng)新平臺(tái)名單，并明確依托公司騰訊建設(shè)醫(yī)療影像國(guó)家新一代人工智能開(kāi)放創(chuàng)新平臺(tái)。

姚建華認(rèn)為，病理診斷是一個(gè)非常復(fù)雜的過(guò)程，主觀性很強(qiáng)，一致率比較低。因此利用人工智能技術(shù)，可以幫助醫(yī)生提高診斷的可重復(fù)性，提高準(zhǔn)確率和效率，從一定程度上緩解病理醫(yī)生不足的狀況。

但是對(duì)于病理分析而言，病理的圖像尺寸非常大，對(duì)計(jì)算機(jī)的處理性能提出挑戰(zhàn)，此外，醫(yī)生經(jīng)常要識(shí)別病理圖像中非常細(xì)微組織的變化。在自然圖像中比較成功的算法往往在病理圖像中不能達(dá)到相應(yīng)的效果，因此，工程人員就需要開(kāi)發(fā)特殊的算法。

目前，病理AI的主要研究領(lǐng)域有三部分：

第一，開(kāi)發(fā)基于AI技術(shù)的病理診斷模型，以提高醫(yī)生的診斷效率，提高微小病變和疑難病例的識(shí)別能力。

第二，病理組學(xué)，從病理中提取對(duì)診療有用的特征，進(jìn)行定量化分析，發(fā)現(xiàn)病理特征和診療之間的關(guān)聯(lián)性。

第三則是更高級(jí)的功能，利用病理數(shù)據(jù)來(lái)開(kāi)發(fā)基于AI技術(shù)的病理預(yù)后預(yù)測(cè)模型，預(yù)測(cè)治療的效果以及五年的總生存率。

姚建華博士說(shuō)到，這三個(gè)方向可以覆蓋從基層醫(yī)院到三甲醫(yī)院的不同應(yīng)用場(chǎng)景。

圍繞染色歸一化、結(jié)直腸癌病理診斷、結(jié)直腸息肉分類(lèi)、淋巴結(jié)轉(zhuǎn)移檢測(cè)、免疫組化(IHC)等方面的臨床痛點(diǎn)，姚博士所在的團(tuán)隊(duì)都提出了一些有針對(duì)性的解決方法。

以下為姚建華博士的現(xiàn)場(chǎng)演講內(nèi)容，雷鋒網(wǎng)作了不改變?cè)獾木庉嫾罢恚?nbsp;

姚建華：大家下午好。首先簡(jiǎn)要介紹一下騰訊近年在人工智能的發(fā)展歷程。

近十年來(lái)，騰訊一直在積累人工智能方面的技術(shù)，2014年騰訊優(yōu)圖實(shí)驗(yàn)室成立，2016年AI實(shí)驗(yàn)室成立，2018年機(jī)器人實(shí)驗(yàn)室成立。

2017年騰訊發(fā)布了騰訊覓影，去年成立了一個(gè)AI醫(yī)療中心，現(xiàn)在已經(jīng)積累了豐富的人工智能方面的資源，包括海量的數(shù)據(jù)和大規(guī)模的GPU計(jì)算集群。同時(shí)，我們申請(qǐng)了超過(guò)1500項(xiàng)的專(zhuān)利，在頂會(huì)上也發(fā)表了超過(guò)300篇論文。

騰訊AI實(shí)驗(yàn)室是公司級(jí)的實(shí)驗(yàn)室，使命是深耕前沿研究，打造AI基礎(chǔ)能力，同時(shí)賦能業(yè)務(wù)場(chǎng)景，實(shí)現(xiàn)開(kāi)放共贏。現(xiàn)在AI Lab有超過(guò)70名研究員和超過(guò)300名工程師，研究方向包括計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、語(yǔ)音識(shí)別、自然語(yǔ)言處理。應(yīng)用場(chǎng)景是游戲、醫(yī)療、內(nèi)容、社交、機(jī)器人，醫(yī)療是實(shí)驗(yàn)室主要的方向。

2017年11月，科技部公布首批國(guó)家新一代人工智能開(kāi)放創(chuàng)新平臺(tái)名單，并明確依托公司騰訊建設(shè)醫(yī)療影像國(guó)家新一代人工智能開(kāi)放創(chuàng)新平臺(tái)。騰訊首款將人工智能技術(shù)運(yùn)用在醫(yī)學(xué)領(lǐng)域的AI產(chǎn)品——騰訊覓影，騰訊醫(yī)療健康事業(yè)部、騰訊AI Lab等團(tuán)隊(duì)合作，從創(chuàng)新創(chuàng)業(yè)、全產(chǎn)業(yè)鏈合作、學(xué)術(shù)科研和普惠公益等方面推動(dòng)醫(yī)療人工智能的發(fā)展。

騰訊“覓影”獲得業(yè)界的認(rèn)可，入選一些國(guó)家項(xiàng)目，獲得了一些表彰。

我們已經(jīng)開(kāi)發(fā)了一系列的AI醫(yī)療產(chǎn)品，影像方面有早期的食管癌篩查、早期肺癌篩查、糖網(wǎng)病變的檢測(cè)和結(jié)直腸篩查、早期乳腺癌篩查和早期宮頸癌篩查等等AI影像產(chǎn)品。

AI輔診方面，智能導(dǎo)診技術(shù)準(zhǔn)確率達(dá)到98%，特征識(shí)別率超過(guò)98%，診療風(fēng)險(xiǎn)監(jiān)控系統(tǒng)預(yù)測(cè)準(zhǔn)確率高達(dá)96%。這些產(chǎn)品已經(jīng)落地到醫(yī)院和一些診所。

我們現(xiàn)在和國(guó)內(nèi)超過(guò)100家三甲醫(yī)院達(dá)成合作，醫(yī)療影像方面累計(jì)處理超過(guò)2.7億影像圖片，服務(wù)超過(guò)160萬(wàn)的患者，高風(fēng)險(xiǎn)提示有21萬(wàn)例。AI輔/導(dǎo)診系統(tǒng)導(dǎo)入了300家醫(yī)院，進(jìn)行了470萬(wàn)精確的導(dǎo)診。

前面是騰訊AI醫(yī)療方面的介紹，接下來(lái)從技術(shù)方面講一下我們?cè)诓±砗腿斯ぶ悄芊矫孀龅那把匮芯亢吐涞亍?/p>

病理是診斷、預(yù)后和指導(dǎo)治療的金標(biāo)準(zhǔn)，病理醫(yī)生也被稱(chēng)為是“醫(yī)生的醫(yī)生”。

在一個(gè)典型的診斷流程中，CT、MRI可以篩查病灶的位置，進(jìn)行基本定性。如果要確診，實(shí)際上要取出一些組織采樣，然后制成切片，通過(guò)顯微鏡下觀察組織和細(xì)胞結(jié)構(gòu)的變化來(lái)對(duì)癌癥進(jìn)行定性、分級(jí)、分類(lèi)和分型，以此為后續(xù)的手術(shù)和化療、放療等治療方案提供指導(dǎo)。

病理是診療中非常重要的環(huán)節(jié)?，F(xiàn)在中國(guó)病理醫(yī)生極其缺乏，僅滿足需求的15%。而且，病理診斷實(shí)際上是一個(gè)非常復(fù)雜的過(guò)程，主觀性很強(qiáng)，一致率比較低。

因此利用人工智能技術(shù)，我們可以幫助醫(yī)生提高診斷的可重復(fù)性、準(zhǔn)確率、效率，從一定程度上緩解病理醫(yī)生不足的狀況。

近年來(lái)，人工智能尤其是深度學(xué)習(xí)技術(shù)，在自然圖像的識(shí)別和理解上取得了很大成功，但是自然圖像和病理圖像有很大的區(qū)別?；B(niǎo)和街景這類(lèi)自然圖像的特點(diǎn)是數(shù)據(jù)量大、獲取容易，手機(jī)就可以獲取自然圖像，普通人可以標(biāo)注，不需要專(zhuān)業(yè)訓(xùn)練，利用一些外包可以獲得很多標(biāo)注數(shù)據(jù)。自然圖像的尺寸一般很小，計(jì)算機(jī)處理起來(lái)比較容易。另外，識(shí)別的物體在圖像中的面積比較大。

右邊是一張病理圖像在不同放大倍數(shù)下的圖像，第一張是全局，是一個(gè)采樣的輪廓。第二張放大4倍以后可以看到一些紋路。第三張放大40倍以后可以看到一些細(xì)胞和組織的細(xì)微結(jié)構(gòu)。

病理圖像的特點(diǎn)是數(shù)據(jù)量比較少，獲取成本比較高，需要昂貴的專(zhuān)門(mén)的掃描儀把切片掃描成圖像，掃描一張高分辨率圖像一般需要20-30分鐘。病理數(shù)據(jù)需要專(zhuān)家和醫(yī)生標(biāo)注，一張高分辨率的圖像有幾萬(wàn)乘幾萬(wàn)，也就是上億的像素，計(jì)算機(jī)處理起來(lái)有很大挑戰(zhàn)。

另外，對(duì)于病理分析，我們經(jīng)常要識(shí)別病理圖像中非常細(xì)微組織的變化。因此，在自然圖像中比較成功的算法往往在病理圖像中不能達(dá)到相應(yīng)的效果，我們就需要開(kāi)發(fā)特殊的算法。

病理AI主要從三個(gè)方面進(jìn)行研究和開(kāi)發(fā)：

第一，開(kāi)發(fā)基于AI技術(shù)的病理診斷模型，以提高醫(yī)生的診斷效率，提高微小病變和疑難病例的識(shí)別能力。

第二，病理組學(xué)。從病理中提取對(duì)診療有用的特征，進(jìn)行定量化分析，發(fā)現(xiàn)病理特征和診療之間的關(guān)聯(lián)性。

第三，利用病理數(shù)據(jù)來(lái)開(kāi)發(fā)基于AI技術(shù)的病理預(yù)后預(yù)測(cè)模型，可以利用病理信息來(lái)預(yù)測(cè)治療的效果以及五年的總生存率和五年無(wú)遠(yuǎn)處轉(zhuǎn)移率。

這三個(gè)方向大概可以覆蓋從基層醫(yī)院到三甲醫(yī)院的不同應(yīng)用場(chǎng)景。

圍繞這三個(gè)方面，列舉幾個(gè)我們正在開(kāi)發(fā)項(xiàng)目的例子。

剛剛提到，病理圖像的獲取非常困難。首先，病理切片的制作就是一個(gè)非常復(fù)雜的流程，從采樣到固定、脫水、包埋、切片、染色，經(jīng)常需要兩到三天時(shí)間，而且沒(méi)有標(biāo)準(zhǔn)化，因此在不同醫(yī)院和中心的制作流程有差異性。

另外，這個(gè)切片要通過(guò)數(shù)字掃描儀掃描成圖像。現(xiàn)在市面上有不少家掃描儀的公司，掃描儀的色差和白平衡等差異也會(huì)造成圖像的差異，所以病理圖像有很大差異性。

右邊是四個(gè)不同病理中心的病理圖像，顏色、色彩和風(fēng)格有很大的差異性，這些差異對(duì)病理醫(yī)生來(lái)說(shuō)診斷影響不大，但是對(duì)于AI算法會(huì)造成顯著影響，因此我們需要進(jìn)行色彩歸一化，這也是處理病理數(shù)據(jù)的一個(gè)重要步驟。

大部分的病理切片是H&E染色 （蘇木精，伊紅染色），將細(xì)胞核染成深褐色，將細(xì)胞液染成淺紅色。我們可以對(duì)H&E染色的強(qiáng)度提取出染色特征向量。左邊是數(shù)據(jù)集中染色的特征向量，全部畫(huà)在一個(gè)顏色空間里面，這個(gè)向量差別非常大。如果我們?cè)诶锩孀鲆粋€(gè)聚類(lèi)，可以發(fā)現(xiàn)，來(lái)自同一個(gè)中心的染色風(fēng)格比較接近的會(huì)聚在一起。我們?nèi)旧珰w一化的算法是要找到一個(gè)轉(zhuǎn)化法，將多種染色風(fēng)格轉(zhuǎn)化成同一種染色風(fēng)格。

現(xiàn)在染色歸一化的算法主要是基于圖像分解的算法，先算出H&E染色程度，得到染色特征矩陣。通過(guò)矩陣變化的方式來(lái)實(shí)現(xiàn)不同風(fēng)格之間的轉(zhuǎn)換，這對(duì)算法精度有一定的要求，對(duì)噪音和偽影也比較敏感。

我們?cè)贑ycleGAN的思路上設(shè)計(jì)了一個(gè)方法。一般GAN的方法是只有單方向的對(duì)抗和生成，我們是加入了兩個(gè)回路，一個(gè)正向回路是從A到B的轉(zhuǎn)化，再?gòu)腂回到A。反向回路是從B到A再?gòu)腁回到B，這樣可以保證轉(zhuǎn)換的一致性。

同時(shí)，我們把剛才提到的染色特征矩陣加入到這個(gè)框架里面，可以輔助一對(duì)多的轉(zhuǎn)換，這樣就可以把多種染色風(fēng)格轉(zhuǎn)換成一種染色風(fēng)格。

這是染色歸一化的結(jié)果。上面是來(lái)自五個(gè)不同中心淋巴結(jié)的H&E病理切片，下面是染色歸一化給歸一化到第二個(gè)中心的結(jié)果，它們的風(fēng)格各異，經(jīng)過(guò)歸一化之后有了比較一致的風(fēng)格。

我們跟其他算法進(jìn)行比較，將算法作為一個(gè)分類(lèi)的前處理，看是否可以提高分類(lèi)算法的性能。大家可以看這個(gè)圖表中列了一些比較，在沒(méi)有歸一化情況下，分類(lèi)的準(zhǔn)確度是0.78，歸一化之后可以提高到0.88，比現(xiàn)在其他基于矩陣運(yùn)算的算法性能都要好。

剛才提到，病理診斷是一個(gè)非常復(fù)雜的過(guò)程，一般病理醫(yī)生需要經(jīng)過(guò)大概十年的專(zhuān)業(yè)訓(xùn)練才能夠獨(dú)立出報(bào)告。這邊舉了一個(gè)結(jié)直腸癌診斷的例子。如果做結(jié)直腸的診斷，這里有一些步驟和任務(wù)。

首先要判斷出病理切片里面有沒(méi)有病灶區(qū)域，如果有的話，需要對(duì)病灶區(qū)域進(jìn)行良惡性的分類(lèi)和分型。如果是良性，還要分增生性息肉、錯(cuò)構(gòu)瘤、腺瘤；惡性分為普通腺癌、粘液腺癌、印戒細(xì)胞癌、腺鱗癌等。

如果是惡性腫瘤，還要根據(jù)細(xì)胞異型性和結(jié)構(gòu)異型性來(lái)進(jìn)行分級(jí)，分為高分化、中分化和低分化。

然后我們還要進(jìn)行TNM分期，比如腫瘤的大小、進(jìn)入到哪一層、有沒(méi)有淋巴結(jié)轉(zhuǎn)移、有沒(méi)有轉(zhuǎn)移到遠(yuǎn)端其他器官。

最后，對(duì)于某一些癌癥還要進(jìn)行免疫組化，得到分子分型的結(jié)構(gòu)信息，以便指導(dǎo)后續(xù)的靶向治療。

我們看到，結(jié)直腸癌的診斷就需要完成這么多任務(wù)，如果開(kāi)發(fā)AI算法，要針對(duì)每個(gè)任務(wù)設(shè)計(jì)一個(gè)專(zhuān)門(mén)的AI算法，實(shí)際上是一個(gè)非常復(fù)雜的任務(wù)。

剛才提到病理診斷最基本的是，對(duì)病灶進(jìn)行分類(lèi)和分型。

還是以結(jié)直腸為例，第一步是區(qū)分我們采下來(lái)的息肉是腺瘤還是腺癌，這是良性和惡性的主要指標(biāo)，后續(xù)的治療方案是完全不一樣的。

病理圖像非常大，有幾萬(wàn)乘以幾萬(wàn)的像素，因此算法無(wú)法一次性處理整張圖片，我們?cè)谔幚碇薪?jīng)常是把整個(gè)圖片切成小的Patch，然后分別處理。

醫(yī)生診斷的時(shí)候是找出整個(gè)圖里面最嚴(yán)重的病灶，比如最嚴(yán)重的腺癌，把這個(gè)作為整圖的標(biāo)簽。但是，整圖里面有各種各樣的病灶，既有腺瘤，也有腺癌，如果我們用分Patch的方法，只有整圖的標(biāo)簽，對(duì)每個(gè)Patch沒(méi)有標(biāo)簽，因此訓(xùn)練的時(shí)候需要采取特殊方法才能夠得到比較好的訓(xùn)練模型。

這是我們的結(jié)直腸息肉分類(lèi)的方法框架。首先，我們給一張WSI病理的整圖，切分成幾個(gè)Patch，把每個(gè)Patch分到一個(gè)卷積神經(jīng)網(wǎng)進(jìn)行分類(lèi)。起初每個(gè)Patch是用整圖標(biāo)簽，每個(gè)整圖只有一個(gè)整圖標(biāo)簽，但是剛才提到，這實(shí)際上是不準(zhǔn)確的，整圖標(biāo)簽是那個(gè)圖中最嚴(yán)重的區(qū)域，對(duì)其他區(qū)域來(lái)說(shuō)不準(zhǔn)。

因此我們?cè)O(shè)計(jì)了迭代的方式更正每個(gè)Patch的標(biāo)簽。我們引用了兩個(gè)新Loss，Rectified Cross-Entropy loss和Upper Transition loss。經(jīng)過(guò)迭代過(guò)程以后，可以得到每個(gè)小Patch的標(biāo)簽，最后生成一個(gè)熱點(diǎn)圖，用來(lái)解釋診斷的結(jié)果。

這是我們新提出的兩個(gè)損失函數(shù)，一個(gè)是Rectified Cross-Entropy loss，對(duì)于分類(lèi)概率比較低的噪音patch就把它的權(quán)值變成0，比較高的就強(qiáng)化它的作用，權(quán)值變?yōu)?，其他是進(jìn)行線性插值。對(duì)于另外一個(gè)Upper Transtion loss，每個(gè)小Patch的標(biāo)簽不可能超過(guò)整圖標(biāo)簽，因?yàn)檎麍D是最嚴(yán)重的區(qū)域，這個(gè)loss是抑制分類(lèi)錯(cuò)了的一些patch。

我們?cè)?00張結(jié)直腸息肉HE切片做了分類(lèi)，分了三類(lèi)：正常、腺瘤、腺癌。第一行的圖是腺癌的例子，第二行的圖是腺瘤的例子。

第一列是原圖，我們病理醫(yī)生勾畫(huà)出腺瘤和腺癌的區(qū)域，實(shí)際訓(xùn)練中只用了整圖標(biāo)簽，并沒(méi)有用這些區(qū)域。

第二列是用Resnet 50預(yù)測(cè)的一個(gè)結(jié)果，在Pacth的分類(lèi)中有很多錯(cuò)誤，把腺瘤的區(qū)域分成了腺癌，因此造成整張圖的分類(lèi)都是錯(cuò)誤的。

第三列是現(xiàn)在算法的一個(gè)分類(lèi)結(jié)果，我們可以看到把小Patch也分對(duì)了。

右邊的表是性能的比較，可以看到我們的算法和Resnet 50比起來(lái)，不管是Patch還是整圖的性能都有了很大的提升。

下一個(gè)例子是淋巴結(jié)轉(zhuǎn)移檢測(cè)的例子。淋巴結(jié)轉(zhuǎn)移反映腫瘤擴(kuò)散到局部淋巴結(jié)的程度，淋巴結(jié)轉(zhuǎn)移檢測(cè)決定了N分期和后續(xù)的淋巴結(jié)清掃治療方案。在診斷過(guò)程中，醫(yī)生需要檢查超過(guò)12個(gè)淋巴結(jié)，工作量還是比較大的。

第一行是淋巴結(jié)的原圖，第二行是我們把轉(zhuǎn)移癌的病灶圈起來(lái)了，可以看到它們的大小差異非常大，有一些顏色差異也是非常大。大的區(qū)域非常容易被檢測(cè)出來(lái)，但是小的病灶在實(shí)際中很容易被漏掉，有的甚至放大很多倍才能看清楚，因此我們需要算法幫助醫(yī)生檢測(cè)出小的病灶，又不能有太多假陽(yáng)，這個(gè)對(duì)算法精度的要求還是比較高的。

這是我們的算法框架。我們?cè)谡麍D中截取一些Patch，在每個(gè)Patch中進(jìn)行檢測(cè)，最后把它組合起來(lái)形成最終結(jié)果。我們用的網(wǎng)絡(luò)是LinkNet，也是編碼解碼器的一個(gè)結(jié)構(gòu)。另外，我們也有一些后處理的算法優(yōu)化最終的結(jié)果。我們?cè)贑amelyon16公開(kāi)數(shù)據(jù)集中開(kāi)發(fā)和測(cè)試我們的算法。我們現(xiàn)在算法召回率是0.85@1.8FP，病理醫(yī)生是0.73@0FP，可以比醫(yī)生可以發(fā)現(xiàn)更小的淋巴結(jié)病灶。

同時(shí)，我們優(yōu)化了這些算法，做了模型剪枝和壓縮，讓算法在顯微鏡圖像下實(shí)時(shí)給醫(yī)生反饋，醫(yī)生看到之后就馬上提醒他可能的轉(zhuǎn)移病灶。我們的算法跟傳統(tǒng)的相比較，性能有了略微提高，輕量模型在速度上有了顯著提升，這樣可以得到實(shí)時(shí)淋巴結(jié)病灶的檢測(cè)。

免疫組化是近年來(lái)發(fā)展起來(lái)的非常重要的病理分析方法。實(shí)際上是利用抗原、抗體特異性結(jié)合的原理，通過(guò)化學(xué)反應(yīng)，用附著在抗體上的染色劑來(lái)確定細(xì)胞和組織中的抗原，比如蛋白質(zhì)、多肽的成分。這是靶向治療用藥和預(yù)后的重要指標(biāo)。IHC的免疫組化指標(biāo)有上百種，大多是有和無(wú)的定性分析，一些指標(biāo)需要準(zhǔn)確量化，具有比較高的臨床意義。

比如神經(jīng)內(nèi)分泌癌中Ki-67，乳腺癌的HER-2和肺癌的PD-L1。我們看到一張圖片有很多細(xì)胞，人工計(jì)數(shù)非常耗時(shí)耗力，一般臨床診斷中醫(yī)生都是大概估算，并沒(méi)有真正統(tǒng)計(jì)準(zhǔn)確的指數(shù)，因此主觀性比較強(qiáng)，容易產(chǎn)生錯(cuò)誤，缺乏標(biāo)準(zhǔn)。

如果我們用AI算法，可以快速精準(zhǔn)地得到IHC的指數(shù)。IHC的染色分為兩種，一種是染細(xì)胞核中的蛋白，比如Ki-67指數(shù)，另外一種是染細(xì)胞膜上的蛋白，比如HER-2（人類(lèi)表皮生長(zhǎng)因子受體2），這兩種是不同的，因此我們開(kāi)發(fā)兩種不同的算法。

這是計(jì)算Ki-67指數(shù)的框架。Ki-67是細(xì)胞增殖指數(shù)，反映癌癥的增殖速度和活躍程度，是一個(gè)非常重要的指標(biāo)。它的定義是癌癥區(qū)域中染色成深色的細(xì)胞與所有細(xì)胞的比例，同時(shí)扣除淋巴細(xì)胞和介質(zhì)之間的細(xì)胞。我們的算法要檢測(cè)出里面染成深色的細(xì)胞和淺色的細(xì)胞，統(tǒng)計(jì)出比例。

我們用了Mask-RCNN，將細(xì)胞分為三類(lèi)，陽(yáng)性細(xì)胞是紅色，陰性細(xì)胞是綠色，其他是介質(zhì)細(xì)胞和淋巴細(xì)胞。我們可以得到一個(gè)準(zhǔn)確的Ki-67指數(shù)，比例是51.7%，醫(yī)生平時(shí)的診斷很難得到這樣準(zhǔn)確的數(shù)，有人說(shuō)40%，有人說(shuō)70%，差別還是非常大的。

最后為AI病理做一個(gè)總結(jié)，AI病理實(shí)際上是一個(gè)比較新的方向，存在著一些挑戰(zhàn)，主要體現(xiàn)在數(shù)據(jù)量比較小，樣本不均衡，圖像不標(biāo)準(zhǔn)，數(shù)據(jù)標(biāo)注比較困難，診斷存在一些模糊性。

盡管存在這些挑戰(zhàn)，我們認(rèn)為數(shù)字病理+AI是未來(lái)的趨勢(shì)，也可以為醫(yī)生提高診斷效率、準(zhǔn)確率和一致率。通過(guò)病理數(shù)據(jù)、影像數(shù)據(jù)和基因數(shù)據(jù)的融合，可以增強(qiáng)病理醫(yī)生的診斷能力，實(shí)現(xiàn)精準(zhǔn)醫(yī)療。

提問(wèn)：我想問(wèn)一下，現(xiàn)在的深度學(xué)習(xí)的可解釋性是比較差的，甚至在醫(yī)學(xué)上找不到對(duì)應(yīng)的醫(yī)學(xué)解釋?zhuān)蚁胝?qǐng)問(wèn)，這對(duì)我們醫(yī)療AI的落地或者走入臨床是否會(huì)有影響？

姚建華：這確實(shí)是醫(yī)療AI面臨的主要問(wèn)題。實(shí)際上這也是我們主要的研究方向。剛才我舉了例子，分成每個(gè)小Patch，分析每個(gè)Patch的結(jié)果，可以告訴醫(yī)生哪個(gè)Patch是什么樣的類(lèi)別。另外一個(gè)主要原因，現(xiàn)在有一些性能還沒(méi)有達(dá)到特別好，如果AI性能做得非常準(zhǔn)確，解釋性有時(shí)候也沒(méi)有那么重要。因?yàn)楝F(xiàn)在沒(méi)有那么準(zhǔn)，所以解釋性就變得更加重要，因?yàn)槲覀冞€是在輔助醫(yī)生。但這確實(shí)是醫(yī)療AI面臨的主要問(wèn)題。

提問(wèn)：姚博士您好，病理的每個(gè)組織的每個(gè)檢測(cè)看的東西都不一樣，是不是導(dǎo)致AI需要多模塊，每一個(gè)檢測(cè)是不同的模型，還是中間可以有通用的東西？

姚建華：這個(gè)問(wèn)題很好。確實(shí)是這樣，不同病理組織差別不一樣，對(duì)于病理醫(yī)生也一樣，病理醫(yī)生經(jīng)常也是分科的，有一些病理醫(yī)生只看結(jié)直腸，有的只看乳腺，我們開(kāi)發(fā)AI算法也要考慮到不同病種和病灶需要不同的模型。實(shí)際上，有一些底層模塊還是可以共享的，比如最基本的細(xì)胞分割或者癌癥區(qū)域的檢測(cè)，這些在某種程度上是可以共享的，但是在整個(gè)應(yīng)用層面上確實(shí)跟病灶并不是關(guān)聯(lián)性非常大。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。