人工智能在病理診斷領(lǐng)域中的應(yīng)用現(xiàn)狀

朱維健

【摘 要】：目的：分析AI人工智能在病理診斷領(lǐng)域中的應(yīng)用與發(fā)展。方法：通過(guò)查詢文獻(xiàn)資料來(lái)獲取人工智能技術(shù)和病理診斷的發(fā)展?fàn)顩r， 將查詢的測(cè)試結(jié)果與病理學(xué)家的常規(guī)檢查進(jìn)行了比較。結(jié)果：在實(shí)驗(yàn)室條件下AI（人工智能）可大幅度提升病理診斷的準(zhǔn)確率， 其表現(xiàn)優(yōu)于大多數(shù)進(jìn)行比較的病理學(xué)家。結(jié)論：AI（人工智能）全面應(yīng)用于病理診斷的時(shí)代終將會(huì)到來(lái)。

【關(guān)鍵詞】：AI;人工智能應(yīng)用;病理診斷

Abstract：Objective： Analysis AI Application and Development of Artificial Intelligence in Pathological Diagnosis. Methods： The development of artificial intelligence technology and pathological diagnosis was obtained by searching the literature， and the test results were compared with the routine examination of pathologists. Results： AI（ AI） can greatly improve the accuracy of pathological diagnosis under laboratory conditions， and its performance is better than that of most comparative pathologists. Conclusion：AI （artificial intelligence） comprehensive application in pathological diagnosis era will come.

keywords： AI;artificial intelligence application;pathologic diagnosis

1 資料與方法

1.1 一般資料

通過(guò)查詢近年來(lái)文獻(xiàn)資料包括中華病理學(xué)雜志、診斷病理學(xué)雜志、第二軍醫(yī)大學(xué)學(xué)報(bào)、互聯(lián)網(wǎng)醫(yī)學(xué)等相關(guān)信息來(lái)了解當(dāng)今人工智能在病理診斷領(lǐng)域中的應(yīng)用。2017年美國(guó)食品和藥品管理局（FDA）批準(zhǔn)了第1個(gè)WSI系統(tǒng)，2018年批準(zhǔn)Philips IntelliSite病理解決方案（PIPS）作為第1個(gè)用于病理診斷的WSI方案。在第七屆中國(guó)病理年會(huì)期間舉辦的2017病理圖像診斷人機(jī)挑戰(zhàn)賽上，人工智能系統(tǒng)與10位資深病理專家同場(chǎng)競(jìng)技的結(jié)果分析。Ehteshami等組織了2016年淋巴結(jié)有無(wú)乳腺癌轉(zhuǎn)移的挑戰(zhàn)（CAMELYON16），通過(guò)哈佛大學(xué)醫(yī)學(xué)院和麻省理工學(xué)院使用GoogleNet架構(gòu)分析和2016年在Pathsoc大會(huì)上舉辦的人工智能自動(dòng)化HER2評(píng)分競(jìng)賽，綜合成績(jī)靠前的自動(dòng)化評(píng)分系統(tǒng)分析。對(duì)Song等在2014年提出的基于超像素和卷積神經(jīng)網(wǎng)絡(luò)分割方法用于宮頸癌的篩查研究以及2018年Yoshida等對(duì)胃組織活檢標(biāo)本切片圖像自動(dòng)組織學(xué)分類研究等一系列信息和資料進(jìn)行分析。

1.2 方法

通過(guò)查詢文獻(xiàn)資料來(lái)獲取人工智能技術(shù)和病理診斷的發(fā)展?fàn)顩r。本次實(shí)驗(yàn)總計(jì)采用了近千名膀胱癌患者的尿路上皮癌切片數(shù)據(jù)，整個(gè)數(shù)據(jù)集分為620個(gè)用于訓(xùn)練的病理切片，193個(gè)用于驗(yàn)證的病理切片和100個(gè)用于測(cè)試的病理片。包括102例非侵入性低級(jí)別乳頭狀尿路上皮癌以及811例非侵入性或侵入性高級(jí)別乳頭狀尿路上皮癌。為了評(píng)估神經(jīng)網(wǎng)絡(luò)系統(tǒng)的效果，21名泌尿生殖病理學(xué)家參與了數(shù)據(jù)注釋和診斷性能評(píng)估。經(jīng)過(guò)大約近兩年的努力，病理學(xué)家使用研究人員開發(fā)的基于Web的注釋程序?qū)?shù)據(jù)進(jìn)行了集體清理和手動(dòng)注釋。

2 結(jié)果

通過(guò)將該系統(tǒng)的測(cè)試結(jié)果與病理學(xué)家的常規(guī)檢查進(jìn)行了比較，結(jié)果顯示，該系統(tǒng)實(shí)現(xiàn)了97%的曲線下面積（AUC）評(píng)分，其表現(xiàn)優(yōu)于大多數(shù)進(jìn)行比較的病理學(xué)家。此外，當(dāng)使用混淆矩陣進(jìn)行比較（圖e，f）時(shí)，結(jié)果顯示系統(tǒng)的平均準(zhǔn)確度為94.6%，而病理學(xué)家的平均準(zhǔn)確度為84.3%。實(shí)際上，統(tǒng)計(jì)結(jié)果還表明，病理醫(yī)生對(duì)于部分類型的前列腺癌的診斷一致率不足50%。因此僅從數(shù)據(jù)上看的話，此次論文中所提出的AI系統(tǒng)，在準(zhǔn)確率和一致性上都有較好的表現(xiàn)。

3 結(jié)論

3.1 可解釋性的研究

正如前文所示，該系統(tǒng)通過(guò)掃描器網(wǎng)絡(luò)、診斷器網(wǎng)絡(luò)、聚合器網(wǎng)絡(luò)，對(duì)AI輔助診斷的可解釋性進(jìn)行了探索，最終會(huì)產(chǎn)生說(shuō)明文字同ROI同步輸出。

如上圖，a、b顯示的為全片腫瘤檢測(cè)結(jié)果，c、d、e則為生成的“特征感知注意圖”，對(duì)診斷細(xì)節(jié)進(jìn)行描述。我們可以看到，針對(duì)每一張切片，系統(tǒng)在判讀后，除了常規(guī)地將ROI區(qū)域框選出來(lái)，還針對(duì)不同區(qū)域生成了解釋性文字。其中，不同特征的文字被使用不同顏色加以區(qū)分，而該描述所對(duì)應(yīng)的ROI，都被加以相同顏色的框表示，便于病理醫(yī)生查看時(shí)一一對(duì)應(yīng)。

該系統(tǒng)描述了觀察到的一定數(shù)量的細(xì)胞特征以及特征感知注意圖，注意圖對(duì)網(wǎng)絡(luò)觀察到的視覺信息的類型給出了強(qiáng)有力的解釋（圖c-e）。實(shí)際上，注意圖包含了框選區(qū)域中每一個(gè)像素的權(quán)重，用以確定不同像素對(duì)于給定的特征觀察的重要程度，但輸出的內(nèi)容卻并不是令人費(fèi)解的數(shù)值，而是類似于病理醫(yī)生的判讀依據(jù)。

這樣專業(yè)化的文字表述加強(qiáng)了AI分析病理切片的可信度，當(dāng)人類醫(yī)生與機(jī)器診斷結(jié)果不符時(shí)，醫(yī)生們也能夠更容易地對(duì)比自己與機(jī)器的診斷意見到底在何處有所區(qū)別，了解產(chǎn)生區(qū)別的原因，在很大程度上能夠提高診斷準(zhǔn)確度。

系統(tǒng)網(wǎng)絡(luò)組件的評(píng)估

3.2 在算法結(jié)構(gòu)方面，算法的各部分性能在完成后均被予以驗(yàn)證

首先，研究人員評(píng)估腫瘤和非腫瘤圖像的s-net的腫瘤檢測(cè)召回率（非腫瘤圖像表示內(nèi)部沒有突出腫瘤的裁剪的滑動(dòng)組織區(qū)域）。s-net達(dá)到94%的高真陽(yáng)性（檢測(cè)到的腫瘤像素?cái)?shù)/總注釋腫瘤像素）并同時(shí)維持95.3%的陰性召回率。

其次，研究人員使用了兩個(gè)評(píng)估指標(biāo)驗(yàn)證了生成的診斷描述的質(zhì)量：雙語(yǔ)評(píng)估Understudy（BLEU）和基于共識(shí)的圖像描述評(píng)估（CIDEr）。而這些驗(yàn)證結(jié)果顯示，該算法已經(jīng)具備了一定的優(yōu)越性。此項(xiàng)實(shí)驗(yàn)突破了AI病理三類證審批的關(guān)鍵難點(diǎn)

囿于其決策流程的不可解釋性，“深度學(xué)習(xí)”一直被遵循循證醫(yī)學(xué)指南的臨床醫(yī)生拒之門外，成為了制約醫(yī)學(xué)影像人工智能發(fā)展，特別是獲得三類證審批的關(guān)鍵。

而本次實(shí)驗(yàn)則為人工智能的審批提供新的思路：雖然現(xiàn)階段的人工智能仍不具備推理能力，但我們能將醫(yī)生的推理步驟模塊化，從而模擬推理的過(guò)程。此外，本次實(shí)驗(yàn)中的文字匹配過(guò)程是按照WHO標(biāo)準(zhǔn)并具有嚴(yán)格依據(jù)的，這與許多基于多樣本深度學(xué)習(xí)生成的勾畫不同，實(shí)驗(yàn)的每一個(gè)步驟都可由AI提供決策依據(jù)，并非單純概率云下的黑箱運(yùn)算。

3.3 這項(xiàng)研究沒有控制參與病理醫(yī)師的疲勞程度，這可能是影響AUC的獨(dú)立因素，需要進(jìn)一步研究這一系統(tǒng)對(duì)不同疲勞水平醫(yī)生的有效性。

總的來(lái)說(shuō)，無(wú)論是人工智能技術(shù)，還是本次實(shí)驗(yàn)的病理本身，我們都能看到很多突破的可能。目前的人工智能影像產(chǎn)品仍聚集于放射科，當(dāng)他們嘗試進(jìn)一步進(jìn)入臨床相關(guān)科室時(shí)，這項(xiàng)技術(shù)同樣需要新的標(biāo)準(zhǔn)對(duì)其進(jìn)行驗(yàn)證。

此外，AI于病理的運(yùn)用也遠(yuǎn)不局限于切片識(shí)別，機(jī)體組織樣本中內(nèi)部特征的量化分析與臨床評(píng)價(jià);細(xì)胞和動(dòng)物組織樣本的量化分析與藥效關(guān)系;細(xì)胞識(shí)別與分選;特殊染色結(jié)果的量化分析和臨床治療與預(yù)后也均有AI介入研究。

全切片數(shù)字化圖像（WSI）技術(shù)的應(yīng)用不但使病理切片信息的獲取更加方便，更重要的是改變了以往傳統(tǒng)的閱片模式.隨著數(shù)字病理切片技術(shù)在病理診斷中的應(yīng)用，大量的定量分析法應(yīng)運(yùn)而生。近年來(lái)，高質(zhì)量數(shù)字病理切片的大量積累為病理切片數(shù)字化的分析提供了大數(shù)據(jù)支撐，深度學(xué)習(xí)算法對(duì)大數(shù)據(jù)樣本分析能力普遍強(qiáng)于其他算法，在病理切片分析中表現(xiàn)出巨大潛力.計(jì)算機(jī)輔助算法在病理分析中的廣泛應(yīng)用，不但減輕了病理醫(yī)師的工作壓力，同時(shí)提升了病理診斷的精準(zhǔn)率.讓我們有理由相信AI（人工智能）全面應(yīng)用于病理診斷的時(shí)代終將會(huì)到來(lái)。

參考文獻(xiàn)

張楠，魯海珍，應(yīng)建明， 等.人工智能在診斷病理中的應(yīng)用進(jìn)展[J].診斷病理學(xué)雜志，2019，26（3）：183-185.

閆雯，湯燁，張益肇， 等.深度學(xué)習(xí)在數(shù)字病理中的應(yīng)用[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2018，37（1）：95-105.

于觀貞，魏培蓮，陳穎， 等.人工智能在腫瘤病理診斷和評(píng)估中的應(yīng)用與思考[J].第二軍醫(yī)大學(xué)學(xué)報(bào)，2017，38（11）：1349-1354.

張世豪，洗麗英，高敏， 等.基于深度學(xué)習(xí)的人工智能在病理診斷的應(yīng)用進(jìn)展與展望[J].中國(guó)醫(yī)學(xué)創(chuàng)新，2018，15（25）：130-133.

張波.病理學(xué)在精準(zhǔn)醫(yī)療時(shí)代的發(fā)展[J].精準(zhǔn)醫(yī)學(xué)雜志，2018，33（2）：98-101.