深度學(xué)習(xí)在病理及檢驗診斷圖像分析中的應(yīng)用

張喆，夏薇，許建成 (.北華大學(xué)醫(yī)學(xué)技術(shù)學(xué)院，吉林吉林303；.吉林大學(xué)第一醫(yī)院檢驗科，長春300)

深度學(xué)習(xí)是一種用于圖像、文本、音頻、視頻等內(nèi)容的特征學(xué)習(xí)、表示、分類和模式識別的算法集合[1]。目前深度學(xué)習(xí)已在計算機(jī)視覺、語音識別、自然語言處理等領(lǐng)域具有優(yōu)異表現(xiàn)，在過去幾年中已成為大多數(shù)人工智能首選技術(shù)，其優(yōu)勢在于：(1)“端到端”的學(xué)習(xí)模式：學(xué)習(xí)過程無需人為，實現(xiàn)系統(tǒng)與系統(tǒng)的對接；(2)自動學(xué)習(xí)和抽取特征：只需將數(shù)據(jù)傳遞到系統(tǒng)即可，無需人為設(shè)計特征規(guī)則，消除具有挑戰(zhàn)性的特征工程；(3)適應(yīng)性強(qiáng)，易于轉(zhuǎn)換：可以適應(yīng)不同領(lǐng)域，應(yīng)用廣泛。本文針對深度學(xué)習(xí)的圖像分析在病理及檢驗診斷中的應(yīng)用進(jìn)行綜述，以期尋找目前面臨的難題，明確未來的研究方向，為后續(xù)研究提供新思路。

1 應(yīng)用于圖像分析領(lǐng)域的深度學(xué)習(xí)模型

深度學(xué)習(xí)在圖像領(lǐng)域代表性模型包括：卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)、自動編碼器以及生成對抗網(wǎng)絡(luò)等。其中CNN模型的應(yīng)用最為廣泛，并在此基礎(chǔ)上改進(jìn)生成了R-CNN[2]、AlexNet[3]、VGGNet[4]、ResNet[5]、GoogLeNet[6]、U-Net[7]和DenseNet[8]等模型。

2 基于深度學(xué)習(xí)的圖像分析在病理學(xué)中的應(yīng)用

目前，病理學(xué)是腫瘤診斷的金標(biāo)準(zhǔn)，但病理學(xué)專家培養(yǎng)周期長，診斷易受個人主觀因素影響，因此病理學(xué)發(fā)展面臨挑戰(zhàn)。近5年相關(guān)研究發(fā)現(xiàn)，深度學(xué)習(xí)的研究涵蓋宮頸癌、乳腺癌、胃癌、結(jié)直腸癌、肺癌等領(lǐng)域。ResNet、DenseNet、U-Net、R-CNN等模型可對上述疾病病理圖像進(jìn)行分割與分類識別，見表1。

表1 基于CNN病理圖像分析的研究

宮頸癌是一種常見的婦科惡性腫瘤。目前，深度學(xué)習(xí)在宮頸細(xì)胞核定位[9]、細(xì)胞分級數(shù)據(jù)不平衡且數(shù)據(jù)量少[10]、分類精確度低[11]、分析耗時[12]等方面均有實質(zhì)性進(jìn)展。但實現(xiàn)宮頸癌細(xì)胞的自動識別和分級仍存在如下難題：(1)宮頸細(xì)胞圖像內(nèi)容復(fù)雜；(2)深度學(xué)習(xí)對物體尺寸不敏感，癌細(xì)胞和正常細(xì)胞結(jié)構(gòu)極其相似；(3)分級數(shù)據(jù)很難獲取，難以進(jìn)行宮頸細(xì)胞標(biāo)注[10,13]。

乳腺癌、胃癌、結(jié)直腸癌等的研究聚集在圖像分割及識別分類兩方向。在圖像分割方面，使用R-CNN提高分割性能[14]、使用FasterR-CNN改善腺體的黏連問題[15]。在識別分類方面，對CNN的運用更為廣泛，還可運用壓縮和激勵網(wǎng)絡(luò)融合[16]以及小型壓縮-激勵-殘差模塊融合[17]進(jìn)行病理圖像分類。

深度學(xué)習(xí)為病理診斷提供了新的思路，但若要將其應(yīng)用于臨床還存在很多難點，如病理圖像缺乏質(zhì)量管理、病理圖像標(biāo)注難以實現(xiàn)、病理數(shù)據(jù)庫缺乏、簽發(fā)報告責(zé)任與風(fēng)險承擔(dān)等。

3 基于深度學(xué)習(xí)的圖像分析在檢驗診斷學(xué)中的應(yīng)用

圖形檢驗是檢驗診斷過程中的重要環(huán)節(jié)，目前實驗室常見的圖形分析項目包括血液、尿液、糞便、陰道分泌物、精液、細(xì)菌以及寄生蟲的檢測。以往形態(tài)學(xué)的檢查多依賴于人工鏡檢，需要在顯微鏡下進(jìn)行分類識別，這種方式易受檢驗人員的主觀意識影響，且對其專業(yè)程度、工作經(jīng)驗、人員配置要求較高。如今，智能檢驗設(shè)備已逐漸進(jìn)入實驗室，深度學(xué)習(xí)技術(shù)將進(jìn)一步提升智能檢驗的性能以及準(zhǔn)確度等。

3.1血液 盡管自動化血細(xì)胞分析技術(shù)已經(jīng)廣泛應(yīng)用于臨床實驗室，但特殊情況下仍需人工鏡檢。在對外周血細(xì)胞進(jìn)行分類和計數(shù)的研究過程中，解決了細(xì)胞分類困難[33]、分類種類少[34]、分類準(zhǔn)確率低[35]等問題。目前已進(jìn)行了白細(xì)胞五分類的研究[36]，白細(xì)胞圖像的分類過程無需人工，且可更準(zhǔn)確地提取和分析白細(xì)胞圖像的特征。

3.2體液

3.2.1尿液有形成分 2019年，陳齊文[37]基于CNN提出一種尿液有形成分(18類)精細(xì)識別方法，但常會出現(xiàn)噪聲點多、邊緣分割不平整以及分割不夠完整等問題[38]。為此，李遜[39]提出了級聯(lián)網(wǎng)絡(luò)方案，針對性地設(shè)計了Urine網(wǎng)絡(luò)。張繩昱[40]基于全卷積網(wǎng)絡(luò)提出了一種新的目標(biāo)檢測網(wǎng)絡(luò)，并以此為基礎(chǔ)開發(fā)尿沉渣自動檢測儀識別檢測系統(tǒng)以及尿沉渣有形成分識別網(wǎng)站。

3.2.2糞便 聞濤[41]基于ResNet18結(jié)合Inception替代人工，對糞便性狀和顏色進(jìn)行自動識別。隨后，萬志勇[42]在Android手機(jī)上設(shè)計了一款嬰兒糞便圖像識別系統(tǒng)，用戶可以通過手機(jī)攝像頭對嬰兒糞便圖像進(jìn)行拍攝并上傳至APP中，系統(tǒng)會對輸入的圖像進(jìn)行判別。

3.2.3陰道分泌物 田翔等[43]發(fā)明了一種基于Hough圓檢測和深度卷積網(wǎng)絡(luò)的陰道分泌物濕片念珠菌檢測方法。程敏霞[44]提出深度遷移學(xué)習(xí)方法，實現(xiàn)了4種陰道炎癥的人工智能自動分類。婁博華[45]研究了白帶干片的自動識別技術(shù)，實現(xiàn)了細(xì)菌、真菌和其他病原體的自動識別。徐清平等[46]發(fā)明了陰道微生物識別方法，能實現(xiàn)從陰道分泌物樣本圖片的自動獲取到結(jié)果識別的全過程。

3.2.4精液 李林[47]針對精子頭部有效特征提取和形態(tài)分類分別提出了Y-V級聯(lián)神經(jīng)網(wǎng)絡(luò)模型以及MFRC模型，提高了精子圖像識別和分類的準(zhǔn)確率。聶濤[48]基于MaskR-CNN模型實現(xiàn)了對精子結(jié)構(gòu)的完整分割，全面對形態(tài)進(jìn)行分類。

3.3微生物

3.3.1細(xì)菌 通過計算機(jī)輔助方法識別各種細(xì)菌使識別過程更加自動化，能顯著減少分類所需時間。此外，也可以最大限度地降低錯誤識別的風(fēng)險。Zieliński等[49]創(chuàng)建一個包含33個不同屬和細(xì)菌種類的新圖像數(shù)據(jù)集，并提出基于CNN的細(xì)菌菌落分類方法。Panigrahi等[50]開發(fā)了一種可分割單個細(xì)菌、能分析種間相互作用、區(qū)分物種的自動分割系統(tǒng)。還可對革蘭染色后的細(xì)菌進(jìn)行分類計數(shù)。賴麗莎等[51]將深度學(xué)習(xí)技術(shù)與革蘭染色圖像分析相結(jié)合來判斷中段尿沉渣中的病原菌，構(gòu)建對泌尿系統(tǒng)感染大腸埃希菌和肺炎克雷伯菌的革蘭染色圖像自動分類的模型。

3.3.2寄生蟲 目前基于深度學(xué)習(xí)的寄生蟲研究包括瘧原蟲、弓形蟲、血吸蟲及蠕蟲等，其中以瘧原蟲為主要研究對象。Delgado-Ortet等[52]基于脈沖神經(jīng)網(wǎng)絡(luò)和CNN提出三階段管道模式，用于檢測外周血涂片數(shù)字圖像中的瘧原蟲。Motic公司設(shè)計了EasyScan GO全自動系統(tǒng)，其是與瘧疾檢測模型相結(jié)合的載玻片掃描顯微鏡，用于檢測瘧疾寄生蟲并識別寄生蟲種類[53]。對于其他寄生蟲，Li等[54]提出深度循環(huán)轉(zhuǎn)移學(xué)習(xí)進(jìn)行頂復(fù)門寄生蟲(弓形蟲、瘧原蟲和巴貝蟲)檢測，是第一個使用深度學(xué)習(xí)技術(shù)對多種寄生蟲進(jìn)行識別的研究。Tallam等[55]基于CNN提出能準(zhǔn)確分類血吸蟲尾蚴及其中間宿主蝸牛圖像的系統(tǒng)。

4 展望

本文分析了深度學(xué)習(xí)在病理及檢驗診斷中的研究進(jìn)展、挑戰(zhàn)和問題。深度學(xué)習(xí)不需人工提取信息，可提高工作效率，大幅改善數(shù)據(jù)量大、一致性差的問題。但仍然存在一些問題，如質(zhì)量控制欠佳、人工智能領(lǐng)域人才稀缺、應(yīng)用場景不確定、報告簽發(fā)風(fēng)險性等問題。隨著深度學(xué)習(xí)和醫(yī)學(xué)圖像分析應(yīng)用的深入，研究方向逐漸明確：(1)提高數(shù)據(jù)集的可用性；(2)實現(xiàn)數(shù)據(jù)標(biāo)注；(3)提高圖像分割及分類識別的精確度和速度；(4)規(guī)范質(zhì)量控制等。相信未來會有更多更好的模型實際應(yīng)用于臨床，在病理學(xué)與檢驗診斷學(xué)方面更準(zhǔn)確更高效地進(jìn)行輔助診斷。