深度學習在數(shù)字病理中的應用

閆 雯 湯 燁 張益肇 來茂德 許 燕,*

1(北京航空航天大學生物與醫(yī)學工程系,北京航空航天大學軟件開發(fā)環(huán)境國家重點實驗室,深圳北航新興產業(yè)技術研究院，生物醫(yī)學工程高精尖創(chuàng)新中心) 2(微軟亞洲研究院，北京 100080) 3(浙江大學醫(yī)學院基礎醫(yī)學院，杭州 310058)

引言

病理切片作為病理診斷的金標準，在臨床和科研中都有著十分重要的應用。病理醫(yī)生通過對病理切片進行鏡檢，完成病理診斷和預后評估，但是這個過程通常費時費力。病理切片的數(shù)字化被認為是病理學發(fā)展過程中的重要轉折點[1]。數(shù)字病理切片的制作首先需要經過組織染色，隨后通過顯微相機數(shù)字化為數(shù)字病理切片。但是，由于最初數(shù)字切片質量不高，其普及程度受到一定限制。1999年，全片數(shù)字化圖像(whole slide images, WSI)[1]出現(xiàn)，使病理切片的保存和傳輸更加方便安全。

隨著人工智能技術走進病理分析領域，病理分析不再局限于傳統(tǒng)的定性分析，逐漸向定量分析過渡[2-3]。定性分析是對切片性質特點進行概括，并沒有形成量化指標，因此定性分析的結果不可復現(xiàn)，且受主觀因素影響較大。定量分析是指依據(jù)統(tǒng)計數(shù)據(jù)，建立數(shù)學模型，從而計算出與病變相關的各項指標，如有絲分裂數(shù)目、腫瘤的實質與間質的比例、黏液湖和癌細胞的比例等定量化指標；并根據(jù)定量指標給出病理診斷，其診斷結果更加客觀。因此，病理醫(yī)生也越來越認識到定量分析的重要性。

傳統(tǒng)機器學習算法和深度學習算法都可用于定量分析[4]。傳統(tǒng)的機器學習算法依賴于人工設計特征表達，即提取圖像的形狀、大小和紋理等特征并做特征挑選，剔除冗余特征得到最優(yōu)特征集。但是，這種人工特征的選取依賴于大量專業(yè)知識，且難以涵蓋圖像的全面特征，導致其使用上的局限性。

深度學習預先定義了計算規(guī)則，通過層級式網(wǎng)絡結構，將數(shù)據(jù)從輸入層傳遞到輸出層，并自動學習圖像特征表達，得到圖像的低維特征。相比其他機器學習算法，深度學習算法對大數(shù)據(jù)樣本的特征提取能力更強。基于臨床上不斷積累的WSI數(shù)據(jù)，深度病理能充分發(fā)揮在大數(shù)據(jù)樣本上的優(yōu)勢，推動病理定量分析的發(fā)展，輔助醫(yī)生完成病理診斷。

因此，基于深度學習的病理切片圖像的定量分析研究，既是數(shù)字病理分析的大勢所趨，也是學術界和醫(yī)學界共同努力的方向。

1 深度學習的基本概念

深度學習是機器學習中一種包含多層隱層的人工神經網(wǎng)絡模型，其通過組合低層特征學習到數(shù)據(jù)的高層特征表達[5]。

在通常情況下，更深的網(wǎng)絡深度意味著網(wǎng)絡具有更強的特征提取能力。但是，網(wǎng)絡深度的加深往往會導致模型難以收斂、計算量巨大等問題。為了克服上述問題，需要一些更強大的技術的輔助，如卷積、pooling、dropout、ReLU函數(shù)以及使用GPU訓練網(wǎng)絡等。

在圖像處理與計算機視覺領域，以卷積、pooling和ReLU函數(shù)為基礎構成的卷積網(wǎng)絡(ConvNet)是深度學習最常用的網(wǎng)絡結構之一，圖1為兩層ConvNet構成的CNN。

圖1 兩層卷積神經網(wǎng)絡(由卷積層和池化層以及全連接層構成)Fig.1 Two layer convolution neural network, which is constituted by the convolutional layer, the pool layer and the fully connected layer

CNN將圖像直接作為網(wǎng)絡的輸入，避免了傳統(tǒng)識別算法中復雜的人工特征設計過程。這種網(wǎng)絡結構對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性，在計算機視覺中有廣泛的應用。

1.1 卷積神經網(wǎng)絡

卷積神經網(wǎng)絡(CNN)引入權值共享和局部視野域的概念，大大減少了權值的數(shù)量。

1)權值共享。每個隱藏神經元具有同樣的偏置和相同的連接到局部感受野的權重。每個隱藏神經元可以學習一種特定的特征映射，最后通過多層堆疊的方式，學習到圖片的整體特征表達。

對于l層的第j、k個隱藏神經元，輸出為

alj=σ(wljk·a(l-1)k+blj)

(1)

式中，σ是神經元的激活函數(shù)，b是偏置的共享值，w是共享權重的數(shù)組，a是激活值。

卷積神經網(wǎng)絡能夠自動學習到合適的權重和偏置，以至于網(wǎng)絡的輸出y(x)能夠擬合所有的訓練輸入x。為了量化輸入x與輸出y(x)之間的差距，引入代價函數(shù)的概念，有

(2)

式中，w表示網(wǎng)絡中所有的權重的矩陣，b是所有的偏置的矩陣，n是訓練輸入數(shù)據(jù)的個數(shù)，a表示輸入為x是輸出的激活值，求和則是在所有的輸入數(shù)據(jù)x上進行的。

網(wǎng)絡訓練的過程其實就是找到代價函數(shù)最小的時候對應的權重的值。直接計算代價函數(shù)的最小值得計算量十分巨大，1986年，Rumelhart提出反向傳播算法[6]，大大減少了最小化代價函數(shù)時的計算量，為加深網(wǎng)絡層數(shù)提供了可能性。

2)ReLU函數(shù)。該函數(shù)是神經網(wǎng)絡中最常用的激活函數(shù)之一，通常與卷積層同時出現(xiàn)，其公式為

f(x)=max(0,x)

(3)

式中：當輸入x<0時，輸出為0；當輸入x>0時，輸出x。

ReLU函數(shù)的優(yōu)點在于梯度不飽和，在反向傳播過程中，減輕了梯度彌散的問題，神經網(wǎng)絡前幾層的參數(shù)也可以很快更新；在正向傳播過程中，計算速度更快。

3)混合層。除了上面提到的卷積層，卷積神經網(wǎng)絡還包含混合層(pooling layer)?；旌蠈油ǔ＞o接著卷積層之后使用，其作用是對卷積層的輸出信息進行降采樣，減少參數(shù)的個數(shù)，避免過擬合。詳細地說，混合層將輸出的每個特征映射凝縮成一個新的特征映射，常見的混合層有最大值混合(max-pooling)和均值混合(average-pooling)。以max-pooling層為例，該層提取一定大小窗口內特征圖的最大值作為新的特征值輸入到下一層，如圖2所示。

圖2 最大池化層(窗口大小為2×2，依次移動窗口并取該窗口內特征圖的最大值，組成下一層的特征圖)Fig.2 Gram of the max-pooling layer, the size of sample window is 2x2. The window take the maximum value of feature map within the window, to compose the feature map of next layer

1.2 深度神經網(wǎng)絡

2012年，Krizhevsky提出深度卷積網(wǎng)絡AlexNet[7]，在數(shù)據(jù)集ImageNet[8]上實現(xiàn)了圖像分類任務并將錯誤率降低到17.0%。在此基礎上，Zisserman提出了一種新的深度卷積網(wǎng)絡結構——VGG-Net[9]。該網(wǎng)絡采用更小的卷積核以及更深的網(wǎng)絡以增強網(wǎng)絡性能，在ImageNet數(shù)據(jù)集上將分類錯誤率降到了7.32%。同年，Szegedy提出了一種帶有Inception層CNN結構——GoogleNet，它增大了網(wǎng)絡的深度和寬度，在Image Net數(shù)據(jù)集上測試的錯誤率為6.67%[10]。

綜上所述，卷積神經網(wǎng)絡是圖像處理領域的研究熱點，這種網(wǎng)絡結構既具備自動特征的學習能力，也具有強大的分類能力，可同時解決特征提取和分類器設計兩方面的問題。在此基礎之上，通過設計特定的網(wǎng)絡結構，深度學習可以解決多種計算機視覺問題，如圖像分類、圖像分割、實施目標檢測、邊緣提取等。

2 深度學習在數(shù)字病理切片分析中的應用

計算機輔助算法在病理切片分析中應用十分廣泛，可分為傳統(tǒng)機器學習算法和深度學習算法[11]。

WSI病理圖像包含的信息量很大，包含了大量復雜、冗余的信息。因此，將圖片轉化為可挖掘的特征數(shù)據(jù)，是病理分析必要的步驟。特征提取的方法可分為人工特征設計和自動特征學習兩種。

人工特征設計是指從圖像中挑選并簡化出最能有效表達圖像內容的低維矢量，這些特征包括灰度直方圖、形狀特征、紋理結構特征、與周圍組織的關系特征等?；趥鹘y(tǒng)機器學習算法的數(shù)字病理切片分析需要人工提取特征。但是，人工特征的應用有以下缺點[12]：一是特征選取在很大程度上依靠專業(yè)經驗，客觀性較差，無法表征圖片的全面信息；二是缺乏將多種人工特征融合的原則性準則。自動特征學習是指從大量訓練數(shù)據(jù)中學習圖像的尺度不變性、形變不敏感的特征表達，能更加全面地表達圖片特征，且不受專業(yè)因素的限制[13]。深度學習算法既能夠學習到數(shù)據(jù)的特征表達，又可以作為分類器使用，這樣的“端對端”結構具有更強的自學習能力和自適應能力，更適合于大數(shù)據(jù)量的病理分析。

2013年，Ciresan首次證明深度學習算法能夠運用在病理切片有絲分裂的檢測工作中，并取得巨大成功[14]。愈來愈多的人意識到，深度神經網(wǎng)絡在病理切片分析中擁有傳統(tǒng)機器學習算法無法企及的巨大潛力。目前，深度學習在病理切片自動分析算法中的應用可以按照解決任務的不同分為3個方面：細胞或組織的分割和檢測、組織層面上的分類和癌癥分級以及其他應用。

2.1 細胞和組織的檢測與分割

病理切片中的腺體形態(tài)、有絲分裂數(shù)目、細胞核大小等結構都可以作為癌癥診斷的指標。針對某些疾病的病理診斷需求，從整張病理切片中分離出上述細胞或組織結構是數(shù)字病理分析的基礎[15]。下面將分別介紹深度學習在病理切片方面的應用情況，包括細胞和細胞核的檢測和分割、腺體的分割、有絲分裂的檢測。

2.1.1細胞和細胞核的檢測與分割

細胞和細胞核的形態(tài)學特征[16-17]、幾何學特征[18]、紋理特征[19]、形狀特征[20]等是病理分析的重要指標，因此分離出細胞等結構對于病理診斷具有重要意義。病理切片的厚度、雜質、切割均勻度、染色后顏色的深度以及數(shù)字圖像噪聲等因素使切片圖像存在異質性[21](見圖3)，給細胞的分割和檢測帶來了困難。

圖3 細胞核的檢測中的不利因素[15]。(a)模糊；(b)重疊；(c)異質性Fig.3 Negative factors in nuclear examination. (a)Blurring;(b)Overlap; (c) Heterogeneity,source

有研究表明，將人工特征與CNN提取的特征相結合，可以有效降低人工特征的敏感性，并減少CNN的計算量[12]。Wang等將人工設計的特征與CNN自動提取的特征相融合，用于乳腺病理切片中細胞核的檢測[22]，相比當時的其他算法，該算法計算量較小，更符合臨床需求。但是，隨著計算機性能的增強，在數(shù)據(jù)集充足的情況下，深度學習也可以直接從大量數(shù)據(jù)中學習特征表達，并結合一定的預處理和后期處理方法，高效而準確地檢測細胞。Xing等和Chen等使用CNN提取特征，并生成切片細胞核位置的概率譜[23-24]。根據(jù)所處理切片的特點，Xing等在后期處理中選擇迭代區(qū)域合并的方法分割獨立的細胞核，該算法適用于多種組織的多種染色劑圖像。Chen等在預處理和后期處理中分別使用色彩通道的分離和非極大值抑制算法，提取免疫細胞(IHC)的不同色彩通道的特征，用于代表不同細胞結構的特點，計數(shù)的結果與人工計數(shù)基本持平。

細胞的分割通常比細胞核的分割更加復雜，細胞質的形狀不規(guī)則以及細胞團的重疊現(xiàn)象都給細胞的分割造成了很大的困難。通過設計網(wǎng)絡結構，以上問題可以得到解決。Song等將多尺度卷積網(wǎng)絡(MSCN)提取的特征與人工特征相結合，用于宮頸細胞質和細胞核的分割[25]。在此基礎上，Song等增加了訓練數(shù)據(jù)量并改進了網(wǎng)絡結構，直接使用MSCN學習單個細胞的高級形態(tài)特征來分割重疊細胞團[26]。Akram等使用兩層級聯(lián)網(wǎng)絡，第一級的卷積網(wǎng)絡粗略預測哪些區(qū)域包含細胞，第二層池化網(wǎng)絡用來準確定位細胞邊界[27]。

有監(jiān)督算法需要大量標記數(shù)據(jù)集來訓練模型，在標記數(shù)據(jù)集不充足的情況下，可以使用海量的未標記數(shù)據(jù)集來彌補無監(jiān)督算法的缺點。Ronneberger等提出了一種網(wǎng)絡的訓練策略，使用配準方法擴充有限的標記數(shù)據(jù)的數(shù)量，使用多特征通道的上采樣層傳遞上下文信息，幫助提高分割準確率[28]。另外，弱監(jiān)督也可以彌補標記數(shù)據(jù)量不足的問題。所謂弱監(jiān)督，就是對數(shù)據(jù)做簡單的標記，其對專業(yè)知識的要求較低，容易獲取。Xie等使用弱監(jiān)督的回歸模型檢測細胞，適用于尺寸和形狀變化較大、有細胞重疊圖像的細胞檢測[29]。

2.1.2腺體的分割

在臨床上，腺體的形態(tài)學特征，包括其外部結構和腺體的形成過程，都常作為腺癌診斷的依據(jù)，因此，腺體的分割在癌癥診斷中有重要意義[30]，結腸腺體的病理圖像如圖4所示。

圖4 結腸組織切片的腺體檢測[34]Fig.4 Detection of glands in colon tissue[34]

腺體分割任務的挑戰(zhàn)性在于：一是腺體形狀不規(guī)則，染色不均勻、腺體重疊等因素導致其形態(tài)特征難以用數(shù)學模型描述；二是不同級別的癌癥組織中腺體形狀特征不同；三是腺體個體分割難以實現(xiàn)。

類似地，CNN在腺體分割中的廣泛應用從2015年的腺體分割大賽中可見一斑。在大賽中，主辦方提供了結腸腺體的數(shù)據(jù)集。多個團隊采用CNN 網(wǎng)絡對腺體候選樣本做有無腺體的分類[30]，例如：CVML團隊使用CNN訓練像素級別的分類器；Freiburg團隊使用一種端對端的U型深卷積網(wǎng)絡；ExB團隊使用雙路徑的CNN網(wǎng)絡，分別以不同大小的樣本作為輸入，用于更好地捕捉多尺度的上下文信息；vision4GlaS使用兩個CNN[31]，分別用于候選樣本和重疊樣本的分類。

隨后在分類基礎上，各團隊使用分割算法分割腺體個體：CVML團隊以及 vision4GlaS團隊使用基輪廓的傳統(tǒng)方法分割腺體；ExB額外訓練了一個神經網(wǎng)絡用于檢測腺體輪廓，并結合傳統(tǒng)算法分割腺體。不同于以上方法，也有的團隊直接使用深度神經網(wǎng)絡完成任務。Freiburg團隊在CNN網(wǎng)絡的基礎上，添加由上卷積層和卷積層構成的聚合通路，將每一級的細節(jié)特征反向傳播到聚合通路，用于捕捉腺體邊界；BenTaieb等設計了具有兩種損失函數(shù)的多任務全卷積神經網(wǎng)絡[32]，先對候選樣本做有無腺體的分類，再對包含腺體的樣本分割，分類和分割結果彼此優(yōu)化；Chen等提出了深輪廓感知網(wǎng)絡(DCAN)[33]，使用基于多水平特征表達的全卷積神經網(wǎng)絡(FCN)分割腺體；Xu等將全卷積神經網(wǎng)絡(FCN)與整體邊緣探測器(HED)相結合[34]，克服了FCN無法識別腺體個體的缺點，實現(xiàn)了腺體個體分割。

2.1.3有絲分裂的檢測

在乳腺癌分級中，有絲分裂數(shù)是一個重要的參數(shù)，有絲分裂的檢測可看作是一種特殊的細胞檢測。有絲分裂在各個時期形態(tài)各異，有著前期、中期、后期和末期4個時期的4種形態(tài)，這使得有絲分裂檢測更具有挑戰(zhàn)性。有絲分裂檢測如圖5所示。

圖5 乳腺組織切片的有絲分裂檢測Fig.5 Mitosis detection of Breast histological sections

ICPR數(shù)據(jù)集[35]是由病理學家手動標記的乳腺病理切片數(shù)據(jù)集，在有絲分裂檢測中被廣泛使用。Ciresan使用滑動窗在數(shù)據(jù)集中截取大量小樣本，再用CNN分類模型對樣本做有無有絲分裂的二分類，以檢測有絲分裂數(shù)目[14]。Wang等和Malon等使用人工設計特征，提取細胞核的顏色、形狀、紋理等特征，再與CNN自動提取的特征相結合，降低了算法對人工特征的敏感度，在一定程度上降低了有絲分裂多樣性給有絲分裂檢測帶來的問題[22,36]。Chen等使用兩級深度卷積級聯(lián)神經網(wǎng)絡，第一級大體定位有絲分裂對象，第二級網(wǎng)絡將真正的有絲分裂像從其類似物中識別出來[37]。該算法的第二級網(wǎng)絡使用遷移學習的方法，將跨領域學習的特征遷移到病理切片中，解決了訓練數(shù)據(jù)不足的問題。隨后，Chen等又提出一種“端對端”的回歸網(wǎng)絡(DRN)用于有絲分裂檢測[38]，同樣使用了遷移學習的方法。

綜上所述，深度學習在細胞、腺體和有絲分裂的病理切片分割和檢測等方面的研究日趨成熟。相比人工特征，深度學習的特征表達更全面；相比傳統(tǒng)算法，深度學習對于圖片噪聲的抗干擾能力強，其結果與人工分析的結果大致相同。另外，值得注意的是，有監(jiān)督訓練比無監(jiān)督訓練的性能更好，但是其訓練需要大量的標記數(shù)據(jù)集，而這種數(shù)據(jù)集的獲取花費較大。目前，國際上有許多病理切片算法大賽，并且提供了許多公開的標記數(shù)據(jù)集，在病例分析算法的研究中起到了重要作用，相關賽事以及數(shù)據(jù)集如表1所示。

2.2 組織層面上癌癥的分類和分級

相比利用病理組織基本單元的特征(如細胞和細胞核、有絲分裂等)來分析病理切片，另一類廣泛應用的方法是使用人工智能的算法(如深度學習)學習組織水平上的特征，并對病理切片進行有癌無癌的分類和癌癥分級，相關文獻見表2。

表1 病理切片大型公開數(shù)據(jù)集一覽表Tab.1 List of pathology pubic dataset

表2 文獻及其分析算法Tab.2 List of literature and analysis algorithms

其中，病理學分類(分型)反映了組織細胞的生物行為和形態(tài)學特征，病理分級反映了在組織結構和細胞形態(tài)上腫瘤組織與正常組織細胞不同程度的形態(tài)差異，可用來判斷組織是否癌變。下面將介紹深度學習在幾種不同組織病理切片的分類和分級任務中的應用情況。

2.2.1乳腺組織切片

Camelyon16數(shù)據(jù)集是目前最大的乳腺WSI數(shù)據(jù)集(見表1)，包含400張WSI圖像，如圖6所示。在乳腺前哨淋巴轉移瘤的檢測中，Wang等和Kovalev等都訓練CNN網(wǎng)絡得到WSI切片的病變概率圖譜，再經過后期處理檢測癌變區(qū)域[48-49]。

Bayramoglu等和Spanhol等分別使用BreaKHis數(shù)據(jù)集訓練神經網(wǎng)絡(該數(shù)據(jù)集其包含82個病人數(shù)據(jù))用于乳腺癌的檢測[50-51]。其中，Bayramoglu等訓練了兩個CNN，用于多尺度地區(qū)分腫瘤的良性與惡性[50]；Spanhol等選用Alexnet，對乳腺癌切片進行分類[51]。Zejmo等在某醫(yī)院提供的數(shù)據(jù)集上，訓練GoogLeNet用于乳腺癌的分類[52]。

浸潤性導管癌(IDC)是最常見的所有乳腺癌的亞型，如圖7所示。2015年，Cruz-Roa等訓練了一個3層CNN的二分類模型，對乳腺切片做有癌無癌的檢測，結果比使用人工特征的算法高6%[53]。2016年,Shah等為了檢測乳腺癌腫瘤擴散情況，使用了多種卷積神經網(wǎng)絡(DenseNet、GoogLeNet、LocNet等)進行腫瘤定位、有絲分裂識別以及特征提取，完成腫瘤3個等級的分類[54]。

圖7 病理學家標記的浸潤性導管癌組織切片(IDC)[53]，標記區(qū)域為IDC正例，其余為IDC負例Fig.7 WSI with manual annotations from pathologists of invasive ductal carcinoma[53]，annotated region correspond to positive example, the other is negative one.

在乳腺癌的研究中，免疫細胞浸潤是一個新興的預后生物學標志。2016年Turkki等以20位乳腺癌病人的病理切片為訓練集，訓練CNN進行特征提取，而后用SVM檢測免疫細胞分布情況，用于乳腺癌診斷[55]。

2.2.2皮膚組織切片

深度學習同樣也被應用在了皮膚腫瘤的診斷上。惡性黑色素腫瘤是最常見的皮膚腫瘤之一，但是該類病理圖像有標記的數(shù)據(jù)集較少。2013年，Cruzroa使用深度學習來區(qū)分癌癥組織和正常組織，并通過數(shù)字染色來突出顯示待診斷區(qū)域，其結果比當時最好的算法提高了7%[56]。Kashif等使用空間約束CNN提取空間特征，該網(wǎng)絡可以檢測癌變細胞進而分析癌變特征[57]。Masood等提出的使用半監(jiān)督深度置信網(wǎng)絡[58]自監(jiān)督學習模型，充分利用有限的標記數(shù)據(jù)集，學習病變特征[59]，為解決皮膚病理切片數(shù)據(jù)問題提供了較好思路。

2.2.3腦組織切片

由于腦組織切片的送檢樣本通常較小且質地疏松，所以腦組織切片往往難以制成優(yōu)質的病理切片，導致非?？撇±磲t(yī)生診斷困難，該類切片的分析一直是一個比較大的挑戰(zhàn)。

根據(jù)MICCAI提供的癌癥和腫瘤基因圖譜(TCGA)標準數(shù)據(jù)集(見圖8)，Xu等提出了一種基于遷移學習的CNN，用于腦腫瘤的分割和分類[60]。2015年，Ertosun等將深度學習應用于腦瘤亞型的分級上，第一個8層神經網(wǎng)絡將腫瘤區(qū)分為第2、3級和第4級兩類，第二個19層神經網(wǎng)絡進而區(qū)分出膠質瘤的2、3級[61]。2016年，Hou等使用多標簽的CNN分類模型識別神經膠質瘤細胞的多種形態(tài)特征，該方法能識別出常見的膠質瘤細胞核的9個細微的、重要的病理學特征，在癌癥診斷中具有良好的準確性[62]。

圖8 大腦病理切片[60]。(a)多形性惡性膠質瘤，(b)低級神經膠質瘤Fig.8 Pathology slice of brain tissue[60]. (a) glioblastoma multiforme; (b) Low grade glioma

2.2.4前列腺組織切片

在前列腺癌的分類分級中， Gleason評分系統(tǒng)根據(jù)前列腺組織的細胞、腺體等結構的形態(tài)特征，將前列腺癌分為5個等級，等級越高惡性程度越高，預后也就越不理想[63]。正確的分級能夠幫助醫(yī)生采取相應的治療方式，有著重要的意義。

2016年，Litjens等使用基于區(qū)塊(patch)的CNN計算各區(qū)域癌變的概率圖譜，再使用基于概率圖譜中可能存在病變的區(qū)域重新訓練神經網(wǎng)絡，以便更精確地識別前列前病變[64]。K?llén等使用22層神經網(wǎng)絡訓練模型，得到能夠輔助病理醫(yī)生診斷的Gleason分級模型[65]。該模型能夠對Gleason3～5級組織與良性組織進行分類，并根據(jù)病理學家的意見調整算法參數(shù)，用于輔助病理診斷。

2.3 其他應用

在結腸組織切片中，Sirinukunwattana等使用了空間約束CNN來識別切片中的細胞，再使用周邊集成預測的方法對各類結腸細胞進行分類，并判斷該細胞是否癌變，從而識別切片中的癌變區(qū)域[66]。Xu等使用深度學習自動學習切片的特征，分別使用多實例學習(MIL)和SVM作為分類器，結果表明弱監(jiān)督(MIL)分類效果更好[67]。

免疫組織化學染色(IHC)是一種廣泛使用的技術，用于診斷異常免疫細胞的密度和位置等分布情況，可進一步用于癌癥預后預測。由于數(shù)據(jù)集的限制，目前IHC病理切片的相關研究較少。由于IHC圖像的RGB通道對應不同的結構，Chen等將RGB通道分離并選擇代表膜標記的通道，利用深度學習檢測該通道的免疫細胞分布情況，該結果大體與人工分析結果持平[68]。

由于制作病理切片時相機的差異和染色過程存在許多變量(例如，試樣的厚度、染色劑的濃度、制造商、時間和溫度的污漬)，因此都可能影響最終組織標本的外觀。病理醫(yī)生可以根據(jù)自身的經驗來加以甄別，而人工智能算法卻難以克服這種多樣性帶來的影響。為了克服圖像的多樣性帶來的影響，Janowczyk等采用稀疏自動編碼器(SAE)，通過迭代學習生成過濾器來優(yōu)化重建圖像，從而改變目標圖像以匹配到模板圖像的顏色空間[69]。Sethi等在上皮細胞基質分類中驗證了顏色標準化，確實可以為分類帶來一定的增益[70]。更具體來說，對于基于超像素分類的算法有較低的增量效益，而對于CNN的分類算法有較高的增益。

3 展望

在本研究中，主要闡釋了深度學習理論在病理切片定量分析中的應用情況，如細胞層面上的檢測分割、組織層面上的分類與癌癥的分級等。CNN針對大數(shù)據(jù)樣本強大的自動特征學習的能力，適用于臨床上大量積累的WSI切片的定量分析；同時，CNN在特征提取過程中不需要研究人員具備一定的專業(yè)知識，讓病理方向的研究對計算機等領域的研究人員開放，有利于病理分析領域的發(fā)展。

但是，深度學習在病理切片分析領域的應用仍存在一定的局限性：

1)運算開銷大，卷積神經網(wǎng)絡需要基于GPU實現(xiàn)，但由于GPU存儲容量的限制，WSI切片圖像的尺寸過大，無法直接作為輸入，神經網(wǎng)絡對WSI采樣則會損失部分有用信息。

2)目前深度學習廣泛應用的卷積神經網(wǎng)絡是有監(jiān)督學習，需要細致地標注圖像中癌癥組織的位置，而標注數(shù)據(jù)的獲得成本較高。

3)雖然現(xiàn)今的人工智能在病理切片自動分析的研究中取得了一定的進展，但是并沒有很好地應用于臨床中。結合“云病理平臺”等前沿科技，促進科研與臨床實踐相結合的研究。

4)癌癥的分級情況與預后有著十分密切的關系，目前的癌癥分期系統(tǒng)對個性化癌癥治療和預后的預測仍不夠精準。深度學習有望在預后中取得突破性進展，但是該應用還處于起步階段，有待加強。

目前，人工智能技術在病理學中應用廣泛，定量分析為病理診斷提供了一系列定量化指標，彌補了醫(yī)生主觀經驗中的不可預測因素，提高了病情診斷的準確性。在人工智能算法的幫助下，病理切片的計算機輔助診斷的知識體系將不斷完善，最終能夠為病人提供預后信息和精準的藥物治療指導。

[1] Weinstein RS, Graham AR, Richter LC, et al. Overview of telepathology, virtual microscopy, and whole slide imaging: prospects for the future [J]. Human Pathology, 2009, 40(8):1057-1069.

[2] Kothari S, Phan JH, Stokes TH, et al. Pathology imaging informatics for quantitative analysis of whole-slide images [J]. Journal of the American Medical Informatics Association, 2013, 20(6):1099-1108.

[3] Webster JD, Dunstan RW. Whole-slide imaging and automated image analysis: considerations and opportunities in the practice of pathology[J]. Veterinary Pathology, 2014, 51(1):211-223.

[4] Madabhushi A, Lee G. Image analysis and machine learning in digital pathology: Challenges and opportunities [J]. Medical Image Analysis, 2016, 33:170-175.

[5] Lecun Y, Bengio Y, Hinton G. Deep learning [J]. Nature, 2015, 521(7553):436-644.

[6] Rumelhart DE, Hinton GE, Williams RJ. Learning internal representations by error propagation [M] //Neurocomputing: Foundations of Research. Cambridge:MIT Press, 1988:318-362.

[7] Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks [C]// International Conference on Neural Information Processing Systems. Nevada: Curran Associates Inc, 2012:1097-1105.

[8] Jia Deng, Wei Dong, Socher R, et al. Imagenet: A large-scale hierarchical image database [C] // IEEE Conference on Computer Vision and Pattern Recognition. Miami: IEEE, 2009:248-255.

[9] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [J]. Computer Science, 2014.

[10] Szegedy C, Liu Wei, Jia Yangqing, et al. Going deeper with convolutions [C] //IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015:1-9.

[11] Treanor D. Virtual slides: An introduction [J]. Diagnostic Histopathology, 2009, 15(2):99-103.

[12] Malon CD, Eric C. Classification of mitotic figures with convolutional neural networks and seeded blob features [J]. Journal of Pathology Informatics. 2013, 4(1):9-18.

[13] Janowczyk A, Madabhushi A. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases [J]. Journal of Pathology Informatics, 2016, 7:29-38.

[15] Gurcan MN, Boucheron LE, Can A, et al. Histopathological image analysis: A review [J]. IEEE Reviews in Biomedical Engineering, 2009, 2:147-171.

[16] Nedzved A, Ablameyko S, Pitas I. Morphological segmentation of histology cell images [C] // International Conference on Pattern Recognition. Barcelona: IEEE, 2000:500-503.

[17] Chang Hang, Borowsky A, Spellman P, et al. Classification of tumor histology via morphometric context [C] // IEEE Conference on Computer Vision and Pattern Recognition. Portland: IEEE, 2013, 2013:2203-2210.

[18] Huang P, Lee C. Automatic classification for pathological prostate images based on fractal analysis [J]. IEEE Transactions on Medical Imaging, 2009, 28(7):1037-1050.

[19] Kong J, Sertel O, Shimada H, et al. Computer-aided evaluation of neuroblastoma on whole-slide histology images: Classifying grade of neuroblastic differentiation [J]. Pattern Recognition, 2009, 42(6):1080-1092.

[20] Tosun AB, Gunduz-Demir C. Graph run-length matrices for histopathological image segmentation [J]. IEEE Transactions on Medical Imaging, 2011, 30(3):721-732.

[21] Al-Kofahi Y, Lassoued W, Lee W, et al. Improved automatic detection and segmentation of cell nuclei in histopathology images [J]. IEEE Transactions on Biomedical Engineering, 2010, 57(4):841-852.

[22] Wang Haibo, Cruz-Roa A, Basavanhally A, et al. Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features [J]. Journal of Medical Imaging, 2014, 1(3):034003.

[23] Xing Fuyong, Xie Yuanfu, Yang Lin. An automatic learning-based framework for robust nucleus segmentation [J]. IEEE Transactions on Medical Imaging, 2016, 35(2):550-566.

[24] Chen Ting, Chefd Hotel C. Deep learning based automatic immune cell detection forimmuno-histochemistry images [C] // International Workshop on Machine Learning in Medical Imaging. Boston: Spring, 2014:17-24.

[25] Song Youyi, Zhang Ling, Chen Siping, et al. Accurate segmentation of cervical cytoplasm and nuclei based on multiscale convolutional network and graph partitioning [J]. IEEE Transactions on Biomedical Engineering, 2015, 62(10):2421-2433.

[26] Song Youyi, Tan Elang, Jiang Xudong, et al. Accurate cervical cell segmentation from overlapping clumps in pap smear images [J]. IEEE Transactions on Medical Imaging, 2017, 36(1):288-300.

[27] Akram SU, Kannala J, Eklund L, et al. Cell Segmentation Proposal Network for Microscopy Image Analysis [M] //Phoenix: Springer International Publishing, 2016, 10008:21-29.

[28] Ronneberger O, Fischer P, Brox T. U-Net:Convolutional Networks for Biomedical Image Segmentation [C] // International Conference on Medical Image Computing and Computer Assisted Intervention. Munich: Springer-Cham, 2015:234-241.

[29] Xie Yuanpu, Xing Fuyong, Kong Xiangfei, et al. Beyond classification: structured regression for robust cell detection using convolutional neural network [C] // International Conference on Medical Image Computing and Computer Assisted Intervention. Munich: Springer-Cham, 2015:358-365.

[30] Sirinukunwattana K, Pluim JP, Chen H, et al. Gland segmentation in colon histology images: The glas challenge contest [J]. Medical Image Analysis, 2017, 35:489-502.

[31] Kainz P, Pfeiffer M, Urschler M. Semantic segmentation of colon glands with deep convolutional neural networks and total variation segmentation [J]. Computer Science, 2015.

[32] Bentaieb A, Kawahara J, Hamarneh G. Multi-loss convolutional networks for gland analysis in microscopy [C] // IEEE International Symposium on Biomedical Imaging. Prague: IEEE, 2016:642-645.

[33] Chen Hao, Qi Xiaojuan, Yu Lequan, et al. Dcan: deep contour-aware networks for accurate gland segmentation [C] // IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016:2487-2496.

[34] Xu Yan, Li Yang, Liu Mingyuan, et al. Gland instance segmentation by deep multichannel side supervision [C] // International Conference on Medical Image Computing and Computer-Assisted Intervention. Athens: Springer-Cham, 2016:496-504.

[35] Roux L, Racoceanu D, Lom NN, et al. Mitosis detection in breast cancer histological images: An ICPR 2012 contest[J]. Journal of Pathology Informatics, 2013, 4:8-16.

[36] Malon CD, Cosatto E. Classification of mitotic figures with convolutional neural networks and seeded blob features [J]. Journal of Pathology Informatics, 2013, 4(1):9-17.

[37] Chen Hao, Dou Qi, Wang Xi, et al. Mitosis detection in breast cancer histology images via deep cascaded networks [C] //Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. Phoenix: AAAI, 2016:1160-1166.

[38] Chen Hao, Wang Xi, Heng Peng'an. Automated mitosis detection with deep regression networks [C] //IEEE International Symposium on Biomedical Imaging. Minsk: IEEE, 2016:1204-1207.

[39] Radboud University Medical Center, and the University Medical Center Utrecht. ISBI challenge on cancer metastasis detection in lymph nodes [EB/OL].https://camelyon16.grandchallenge.org/, 2016-04-14/2017-10-30.

[40] Department of Pathology of the Radboud University Medical Center in Nijmegen. CAMELYON17 [EB/OL]. https://camelyon17.grand -challenge.org/, 2017-05-15/2017-10-30.

[41] Gregory CS. A public domain database for computational anatomy [EB/OL]. http://www.ima-genglab.com/newsite/pddca/, 2016-12-30/2017-10-30.

[42] National Cancer Institute. Genomic data commons data portal [EB/OL]. https://portal.gdc.cancer.gov, 2017-10-24/2017-10-30.

[43] Ludovic Roux. ICPR 2012-Mitosis detection contest [EB/OL]. http://www.ipal.cnrs.fr/event/icpr-2012, 2012-11-15/2017-10-30.

[44] Frédérique C. Mitos-atypia-14 [EB/OL], https://mitosatypia-14.grand challenge.org/dataset/, 2014/2017-10-30.

[45] 21th International Conference on Pattern Recognition. Contest on hep-2 cells classification [EB/OL].http://nerone.diem.unisa.it/hep2contest/dataset.shtml, 2011-11-15/2017-3-24.

[46] Araújo, T. ICPR2018 gland challenge on breast cancer histology images [EB/OL]. https://iciar2018-challenge.grand-challenge.org/dataset/, 2017/11/1-2017/11/21.

[47] Ana PP and Paulode CA. Bioimaging 2015 4th international symposium in applied bioimaging [EB/OL].http://www.bioimaging2015.ineb.up.pt/challenge_overview.html, 2015/11/16/2017/11/21.

[48] Wang Dayong, Khosla A, Gargeya R, et al. Deep learning for identifying metastatic breast cancer [J]. arXiv, 2016,1606:05718.

[49] Kovalev V, Kalinovsky А, Liauchuk V. Deep learning in big image data: Histology image classification for breast cancer diagnosis [C] //International Conference on Big Data and Advanced Analytics. Boston: IEEE, 2016:15-17.

[50] Bayramoglu N, Kannala J, Heikkil? J. Deep learning for magnification independent breast cancer histopathology image classification [C] // International Conference on Pattern Recognition. IEEE. Plymouth: Springer, London, 2017:2440-2445.

[51] Spanhol FA, Oliveira LS, Petitjean C, et al. Breast cancer histopathological image classification using convolutional neural networks [C] // International Joint Conference on Neural Networks. Vancouver: IEEE, 2016:2560-2567.

[53] Cruz-Roa A, Basavanhally A, Gonz Lez F, et al. Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks [C] // SPIE Medical Imaging. San Diego: International Society for Optics and Photonics, 2014:139-144.

[54] Shah M, Rubadue C, Suster D, et al. Deep learning assessment of tumor proliferation in breast cancer histological images [J]. Computer Science, 2016.

[55] Turkki R, Linder N, Kovanen PE, et al. Antibody-supervised deep learning for quantification of tumor-infiltrating immune cells in hematoxylin and eosin stained breast cancer samples [J]. Journal of Pathology Informatics, 2016, 7(1):38.

[56] Cruz-Roa A, Ovalle JEA, Madabhushi A, et al. A deep learning architecture for image representation, visual interpretability and automated basal-cell carcinoma cancer detection [C] // International Conference on Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer-Berlin-Heidelberg, 2013:403-410.

[57] Kashif MN, Shan EAR, Sirinukunwattana K, et al. Handcrafted features with convolutional neural networks for detection of tumor cells in histology images [C] // IEEE International Symposium on Biomedical Imaging. Prague: IEEE, 2016:1029-1032.

[58] Hinton GE, Osindero S, Teh YW. A fast learning algorithm for deep belief nets [J]. Neural Computation, 2006, 18(7):1527-1554.

[59] Masood A, Al-Jumaily A, Anam K. Self-supervised learning model for skin cancer diagnosis [C] //International IEEE/EMBS Conference on Neural Engineering. Montpellier: IEEE, 2015:1012-1015.

[60] Xu Yan, Jia Zhipeng, Ai Yuqing, et al. Deep convolutional activation features for large scale brain tumor histopathology image classification and segmentation [C] // IEEE International Conference on Acoustics. Brisbane: IEEE, 2015:947-951.

[61] Ertosun M, Rubin DL. Automated grading of gliomas using deep learning in digital pathology images: A modular approach with ensemble of convolutional neural networks [C] // American Medical Informatics Association Annual Symposium Proceedings. San Francisco: AMIA, 2015:1899-1908.

[62] Hou Le, Singh K, Samaras D, et al. Automatic histopathology image analysis with CNNs [C] //New York Scientific Data Summit. New York: IEEE, 2016:1-6.

[63] K?llén H, Molin J, Heyden A, et al. Towards grading gleason score using generically trained deep convolutional neural networks [C] //IEEE Inter-national Symposium on Biomedical Imaging. Prague: IEEE, 2016:1163-1167.

[64] Litjens G, Nchez CI, Timofeeva N, et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis [J]. Scientific Reports, 2016, 6:26286.

[65] K?llén H, Molin J, Heyden A, et al. Towards grading gleason score using generically trained deep convolutional neural networks [C] // IEEE International Symposium on Biomedical Imaging. Prague: IEEE, 2016:1163-1167.

[66] Sirinukunwattana K, Raza SEA, Tsang YW, et al. Locality sensitive deep learning for detection and classification of nuclei in routine colon cancer histology images [J]. IEEE Transactions on Medical Imaging, 2016, 35(5):1196-1206.

[67] Xu Yan, Mo Tao, Feng Qiwei, et al. Deep learning of feature representation with multiple instance learning for medical image analysis [C] // IEEE International Conference on Acoustics, Speech and Signal Processing. Florence: IEEE, 2014:1626-1630.

[68] Chen Ting, Chefd'hotel C. Deep learning based automatic immune cell detection forimmuno-histochemistry images [C] // International Workshop on Machine Learning in Medical Imaging. Quebes: Springer-Cham, 2014:17-24.

[69] Janowczyk A, Basavanhally A, Madabhushi A. Stain normalization using sparse autoencoders (StaNoSA): Application to digital pathology [J]. Computerized Medical Imaging & Graphics, 2016, 57:50-61.

[70] Sethi A, Sha L, Vahadane AR, et al. Empirical comparison of color normalization methods for epithelial-stromal classification in H and E images [J]. Journal of Pathology Informatics, 2016, 7(8):468-476.