药明康德AI/报道

图片来源: Pixabay

病理医生读片、诊断是现代癌症诊疗的基础，但在过去150年病理切片检查方法以及病理医生的工作模式几乎没有变化。仍然需要进行活组织检查并在显微镜下研究玻璃载玻片上的薄层组织。

现在，近150年病理学的最大突破，首个临床级别的AI系统终于来了！

纪念斯隆·凯特琳癌症研究中心（MSKCC）的数据科学家、机器学习专家托马斯·福克斯（Thomas Fuchs）的团队负责训练超级计算机在数字化显微镜载玻片上识别癌症，从而加快了样本分析的过程可以使病理专家将注意力集中在最相关的切片上，省去无价值病理切片的检查时间进而能加速癌症诊断。

该研究目前已获得里程碑式进展。研究团队公布了基于15187名癌症患者的4万余张数字化病理切片的新AI系统，对前列腺癌、基底细胞癌和腋窝淋巴结转移乳腺癌的测试曲线下面积AUC（AUC，受试者工作特征曲线下面积，越接近1，说明准确性越高——译者注）均高于0.98。其临床应用将允许病理学家排除65%-75％的载玻片，同时可识别近100%的含癌活检组织。研究结果表明，该系统为临床实践中计算决策支持系统的部署奠定了基础。

识别形态万千的肿瘤

▲ Thomas Fouchs （图片来源：MSKCC）

ThomasFuchs博士说:“我们已经建立了一个可准确检测癌症的模型，模型的检测结果与病理医生给出的结果一致。这种新型的系统未来有可能被世界各地的病理学家用来帮助他们做出更精确的诊断。”

厉害的是，该系统在训练过程中使用了大量的、来自常规病理报告的数据以及并未经过事先处理的切片（未处理过的切片包括一些常见的技术问题，比如：气泡、不规则的形状、固定得不好、组织不平整等等，也有数字化过程导致的图像模糊等）。因为新研究的系统可纳入前所未有的庞大数据，所以该系统对临床上形态多样的肿瘤病理也有了更高的识别度。

然而以往的病理AI模型处理实际临床样本时可能会面临系统崩溃的情况，因为它们无法主动学习、处理多而杂的切片信息。就像在空旷的停车场训练自动驾驶汽车，习惯了畅通无阻的道路后，一旦进入拥堵的城市，这些汽车便会失去方向感。来自Fuchs团队的临床级病理学AI系统则可以适应临床上形态千变万化的肿瘤。

消除病理学AI瓶颈

这项研究基于深度学习模仿人类大脑如何识别物体。该系统强大之处在于系统自身能够训练自己识别不同癌症，减少人为输入，同时在出错时不断调整其参数，使计算机模型能够高精度地检测癌症。

图片来源: Pixabay

以前同类研究病理学的人工智能的方法：需要有经验的病理医生查看肿瘤病理切片，手动标记癌症的位置。只有人为输入之后，系统才能继续使用算法和模型来进一步检测癌症。在过去，手动标记工作只由一小部分专家身承担，严重限制了可供系统检查的病理切片数量，过去的深度学习模型只使用了500到1000张切片进行训练。

当病理专家的人数与手动标记的工作量不成正比，有限的训练素材大大限制了以往AI的能力！

Fuchs博士研究团队使用的深度学习方法不需要对图像提前进行人为标记。首先，一个病理切片会被分成许多细小的部分。通过不断迭代，计算机模型通过将其自身学习得到的病理结果与病理报告进行比较，来教会自己什么是癌症，什么不是癌症，从而进一步诊断癌症。

这一自动化过程，AI可以接触到癌症专家们无法接触到的领域。专家们每天可能要花几个小时研究涵盖有用信息较少的病理切片。例如，一个前列腺活检程序可以产生45张以上的切片，每张切片都必须单独检查。多个研究结果表明，前列腺癌病理学观察比较难，病变所占面积常＜1%，不同的人或者同个人不同次都可能产生不同结果。所以精准识片很有必要，这能降低病理医生的工作量、加速临床效率。

真实的临床数据

新的AI系统基于多实例学习（MIL）和递归神经网络（RNN），以弱监督学习的方式对不同大小的数据进行训练。根据研究者的观察，一般需要至少1万张切片才能够获得良好的性能，数据集越大，系统性能可更近一步改善。

系统对常见的三种癌症进行研究测试，综合多维度结果：前列腺癌、基底细胞癌和淋巴结转移乳腺癌三个癌种的AUC分别达到0.991、0.989、0.965。研究者也对产生的识别误差进行了分析，主要原因还是在于扫描的切片与病理报告中的诊断并不完全一致、切片本身的质量问题等。经过矫正之后，最终的AUC均可以达到0.98以上。

▲ 识别误差的类型和数量 （图片来源：出处[4]）

另外，研究者认为新的扫描技术也可能带来误差（比如：成像时分辨率、色彩的不同等问题）这类问题可以通过混合数据训练或针对新设备微调参数解决。

这项开创性的病理学AI与早期的研究形成了鲜明对比。早期的深度学习研究使用人工标记的、十分清晰的病理切片作为学习对象，成像清晰、定义明确更易于分析。而现在的AI则更具智能性。

写在最后

目前世界范围内，数字病理学还没未被广泛应用于癌症早期诊断。高昂的成本、难以被证明是有效结果等因素或许都是各界对医疗AI持观望态度的重要原因。但是随着这个临床级的病理学人工智能系统出现，病理专家工作量大大减少、诊断精度也大大提高，这些利好是显然的。据悉，Fuchs博士是癌症AI诊疗公司Paige的联合创始人，该公司已有相关产品报批FDA突破性设备认证。希望未来能赶快在临床上见到新AI大展身手，造福人类。

药明康德AI整理编译

来源：mskcc.org

作者：Jim Stallard

题图来源：Pixabay

参考资料

[1]Researchers Report Milestone in Use of ArtificialIntelligence inPathology, Jul 15 2019, fromhttps://www.mskcc.org/blog/researchers-report-milestone-use-artificial-intelligence-pathology

[2]Ozdamar, S. O. et al.Intraobserver and interobserver reproducibility of WHO and Gleason histologicgrading systems in prostatic adenocarcinomas. Int. Urol. Nephrol. 28, 73–77(1996).

[3]https://www.91360.com/201907/60/73147.html

[4]Clinical-grade computational pathology using weakly supervised deep learning on whole slide images, 15 Jul 2019, from https://www.nature.com/articles/s41591-019-0508-1

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系wuxi_media@wuxiapptec.com。