人工智能在病理診斷領域中的應用現狀

朱維健

【摘 要】：目的：分析AI人工智能在病理診斷領域中的應用與發展。方法：通過查詢文獻資料來獲取人工智能技術和病理診斷的發展狀況， 將查詢的測試結果與病理學家的常規檢查進行了比較。結果：在實驗室條件下AI（人工智能）可大幅度提升病理診斷的準確率， 其表現優于大多數進行比較的病理學家。結論：AI（人工智能）全面應用于病理診斷的時代終將會到來。

【關鍵詞】：AI;人工智能應用;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

通過查詢近年來文獻資料包括中華病理學雜志、診斷病理學雜志、第二軍醫大學學報、互聯網醫學等相關信息來了解當今人工智能在病理診斷領域中的應用。2017年美國食品和藥品管理局（FDA）批準了第1個WSI系統，2018年批準Philips IntelliSite病理解決方案（PIPS）作為第1個用于病理診斷的WSI方案。在第七屆中國病理年會期間舉辦的2017病理圖像診斷人機挑戰賽上，人工智能系統與10位資深病理專家同場競技的結果分析。Ehteshami等組織了2016年淋巴結有無乳腺癌轉移的挑戰（CAMELYON16），通過哈佛大學醫學院和麻省理工學院使用GoogleNet架構分析和2016年在Pathsoc大會上舉辦的人工智能自動化HER2評分競賽，綜合成績靠前的自動化評分系統分析。對Song等在2014年提出的基于超像素和卷積神經網絡分割方法用于宮頸癌的篩查研究以及2018年Yoshida等對胃組織活檢標本切片圖像自動組織學分類研究等一系列信息和資料進行分析。

1.2 方法

通過查詢文獻資料來獲取人工智能技術和病理診斷的發展狀況。本次實驗總計采用了近千名膀胱癌患者的尿路上皮癌切片數據，整個數據集分為620個用于訓練的病理切片，193個用于驗證的病理切片和100個用于測試的病理片。包括102例非侵入性低級別乳頭狀尿路上皮癌以及811例非侵入性或侵入性高級別乳頭狀尿路上皮癌。為了評估神經網絡系統的效果，21名泌尿生殖病理學家參與了數據注釋和診斷性能評估。經過大約近兩年的努力，病理學家使用研究人員開發的基于Web的注釋程序對數據進行了集體清理和手動注釋。

2 結果

通過將該系統的測試結果與病理學家的常規檢查進行了比較，結果顯示，該系統實現了97%的曲線下面積（AUC）評分，其表現優于大多數進行比較的病理學家。此外，當使用混淆矩陣進行比較（圖e，f）時，結果顯示系統的平均準確度為94.6%，而病理學家的平均準確度為84.3%。實際上，統計結果還表明，病理醫生對于部分類型的前列腺癌的診斷一致率不足50%。因此僅從數據上看的話，此次論文中所提出的AI系統，在準確率和一致性上都有較好的表現。

3 結論

3.1 可解釋性的研究

正如前文所示，該系統通過掃描器網絡、診斷器網絡、聚合器網絡，對AI輔助診斷的可解釋性進行了探索，最終會產生說明文字同ROI同步輸出。

如上圖，a、b顯示的為全片腫瘤檢測結果，c、d、e則為生成的“特征感知注意圖”，對診斷細節進行描述。我們可以看到，針對每一張切片，系統在判讀后，除了常規地將ROI區域框選出來，還針對不同區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分，而該描述所對應的ROI，都被加以相同顏色的框表示，便于病理醫生查看時一一對應。

該系統描述了觀察到的一定數量的細胞特征以及特征感知注意圖，注意圖對網絡觀察到的視覺信息的類型給出了強有力的解釋（圖c-e）。實際上，注意圖包含了框選區域中每一個像素的權重，用以確定不同像素對于給定的特征觀察的重要程度，但輸出的內容卻并不是令人費解的數值，而是類似于病理醫生的判讀依據。

這樣專業化的文字表述加強了AI分析病理切片的可信度，當人類醫生與機器診斷結果不符時，醫生們也能夠更容易地對比自己與機器的診斷意見到底在何處有所區別，了解產生區別的原因，在很大程度上能夠提高診斷準確度。

系統網絡組件的評估

3.2 在算法結構方面，算法的各部分性能在完成后均被予以驗證

首先，研究人員評估腫瘤和非腫瘤圖像的s-net的腫瘤檢測召回率（非腫瘤圖像表示內部沒有突出腫瘤的裁剪的滑動組織區域）。s-net達到94%的高真陽性（檢測到的腫瘤像素數/總注釋腫瘤像素）并同時維持95.3%的陰性召回率。

其次，研究人員使用了兩個評估指標驗證了生成的診斷描述的質量：雙語評估Understudy（BLEU）和基于共識的圖像描述評估（CIDEr）。而這些驗證結果顯示，該算法已經具備了一定的優越性。此項實驗突破了AI病理三類證審批的關鍵難點

囿于其決策流程的不可解釋性，“深度學習”一直被遵循循證醫學指南的臨床醫生拒之門外，成為了制約醫學影像人工智能發展，特別是獲得三類證審批的關鍵。

而本次實驗則為人工智能的審批提供新的思路：雖然現階段的人工智能仍不具備推理能力，但我們能將醫生的推理步驟模塊化，從而模擬推理的過程。此外，本次實驗中的文字匹配過程是按照WHO標準并具有嚴格依據的，這與許多基于多樣本深度學習生成的勾畫不同，實驗的每一個步驟都可由AI提供決策依據，并非單純概率云下的黑箱運算。

3.3 這項研究沒有控制參與病理醫師的疲勞程度，這可能是影響AUC的獨立因素，需要進一步研究這一系統對不同疲勞水平醫生的有效性。

總的來說，無論是人工智能技術，還是本次實驗的病理本身，我們都能看到很多突破的可能。目前的人工智能影像產品仍聚集于放射科，當他們嘗試進一步進入臨床相關科室時，這項技術同樣需要新的標準對其進行驗證。

此外，AI于病理的運用也遠不局限于切片識別，機體組織樣本中內部特征的量化分析與臨床評價;細胞和動物組織樣本的量化分析與藥效關系;細胞識別與分選;特殊染色結果的量化分析和臨床治療與預后也均有AI介入研究。

全切片數字化圖像（WSI）技術的應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的閱片模式.隨著數字病理切片技術在病理診斷中的應用，大量的定量分析法應運而生。近年來，高質量數字病理切片的大量積累為病理切片數字化的分析提供了大數據支撐，深度學習算法對大數據樣本分析能力普遍強于其他算法，在病理切片分析中表現出巨大潛力.計算機輔助算法在病理分析中的廣泛應用，不但減輕了病理醫師的工作壓力，同時提升了病理診斷的精準率.讓我們有理由相信AI（人工智能）全面應用于病理診斷的時代終將會到來。

參考文獻

張楠，魯海珍，應建明， 等.人工智能在診斷病理中的應用進展[J].診斷病理學雜志，2019，26（3）：183-185.

閆雯，湯燁，張益肇， 等.深度學習在數字病理中的應用[J].中國生物醫學工程學報，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估中的應用與思考[J].第二軍醫大學學報，2017，38（11）：1349-1354.

張世豪，洗麗英，高敏， 等.基于深度學習的人工智能在病理診斷的應用進展與展望[J].中國醫學創新，2018，15（25）：130-133.

張波.病理學在精準醫療時代的發展[J].精準醫學雜志，2018，33（2）：98-101.