陳碧江

（暨南大學(xué)附屬?gòu)?fù)大腫瘤醫(yī)院 信息部，廣東 廣州 510665）

0 引言

我國(guó)是一個(gè)癌癥發(fā)病率較高的國(guó)家，每年因癌癥死亡的人數(shù)也非常多。而人們對(duì)于衛(wèi)生服務(wù)的需求與醫(yī)療衛(wèi)生具備的資源之間存在的矛盾，導(dǎo)致傳統(tǒng)醫(yī)療模式難以滿(mǎn)足當(dāng)代社會(huì)發(fā)展的需求[1]。在大數(shù)據(jù)背景下和云計(jì)算的支撐中，人工智能也得到了高速的發(fā)展，應(yīng)用于疾病診斷、藥品研發(fā)、中藥辨識(shí)、醫(yī)學(xué)理論及病理知識(shí)等方面取得可觀成就。為了進(jìn)一步探討人工智能的應(yīng)用價(jià)值，本文對(duì)人工智能在腫瘤科病理診斷以及評(píng)估當(dāng)中的應(yīng)用價(jià)值進(jìn)行分析，如下。

1 病理圖像可為人工智能提供最佳應(yīng)用場(chǎng)景

人工智能以深度學(xué)習(xí)作為核心，深度學(xué)習(xí)則來(lái)源于人工神經(jīng)網(wǎng)絡(luò)的研究，對(duì)低層特征進(jìn)行組合后，使其形成更加抽象的類(lèi)別表現(xiàn)或高層屬性，由此顯示出數(shù)據(jù)的分布特征。在大數(shù)據(jù)時(shí)代與圖形處理器等各類(lèi)強(qiáng)大的計(jì)算設(shè)備得到不斷改進(jìn)及發(fā)展的背景下，深度學(xué)習(xí)能夠充分利用各種數(shù)據(jù)，對(duì)抽象知識(shí)表達(dá)也可以做到自動(dòng)學(xué)習(xí)，即在某種知識(shí)中將原始數(shù)據(jù)進(jìn)行濃縮[2]。在大規(guī)模的結(jié)構(gòu)化數(shù)據(jù)分析中，深度學(xué)習(xí)能夠把各種無(wú)法采用生物學(xué)統(tǒng)計(jì)提取或者肉眼辨別出來(lái)的數(shù)據(jù)特征識(shí)別出來(lái)，如CT、MRI 以及病理圖片等，不僅屬于結(jié)構(gòu)化數(shù)據(jù)，同時(shí)也可作為人工智能最佳的深度學(xué)習(xí)資料。

病理切片屬于二維醫(yī)學(xué)圖像，是一種結(jié)構(gòu)化數(shù)據(jù)，具有典型性，適合在人工智能的深度學(xué)習(xí)中應(yīng)用。我國(guó)的病理醫(yī)師在職人數(shù)非常少，且收入較低，工作環(huán)境差，使人才嚴(yán)重流失，加大了疾病漏診和誤診率。而人工智在改善病理困境上可以發(fā)揮一定的作用，它具有速度快、準(zhǔn)確度高、無(wú)地理空間要求、病理切片識(shí)別診斷標(biāo)準(zhǔn)統(tǒng)一等優(yōu)點(diǎn)，可以幫助腫瘤科醫(yī)師進(jìn)行病理照片的識(shí)別、篩查和評(píng)估，提高疾病診斷水平。

2 病理診斷人工智能學(xué)習(xí)過(guò)程

在腫瘤科人工智能識(shí)別模型的構(gòu)建過(guò)程中，精確性高的計(jì)算機(jī)模型都必須以大量的病理切片作為數(shù)據(jù)支撐，通過(guò)利用這些數(shù)據(jù)進(jìn)行深度的學(xué)習(xí)，該過(guò)程擁有大量病理切片的數(shù)據(jù)支持，并利用這些數(shù)據(jù)進(jìn)行后續(xù)深度學(xué)習(xí)，可分成五個(gè)階段，即：①數(shù)據(jù)標(biāo)注：收集腫瘤病理切片，將所有切片數(shù)據(jù)化，通過(guò)標(biāo)注工具對(duì)圖像加以分類(lèi)，做好腫瘤細(xì)胞及特殊結(jié)構(gòu)的位置標(biāo)定，并詳細(xì)說(shuō)明其主要特點(diǎn)之后將其錄至數(shù)據(jù)庫(kù)[3]。②數(shù)據(jù)預(yù)處理：對(duì)做了標(biāo)注的圖像加以預(yù)處理，如反轉(zhuǎn)、模糊化以及曝光度調(diào)節(jié)等，讓神經(jīng)網(wǎng)絡(luò)的整個(gè)訓(xùn)練過(guò)程得以更全面學(xué)習(xí)到病理疾病的本質(zhì)特征，避免人為與環(huán)境因素的干擾，提高數(shù)據(jù)的準(zhǔn)確性。在數(shù)據(jù)處理完成后，把圖片數(shù)據(jù)重新隨機(jī)排列，按6:2:2比例分成訓(xùn)練集、驗(yàn)證集、測(cè)試集三種，對(duì)其進(jìn)行計(jì)算，確保效果的真實(shí)性。③算法設(shè)計(jì)：使用幾種在圖像識(shí)別和分類(lèi)中有效的基本模型對(duì)系統(tǒng)進(jìn)行基準(zhǔn)測(cè)試，根據(jù)文獻(xiàn)設(shè)計(jì)算法模型，在每個(gè)神經(jīng)網(wǎng)絡(luò)中輸入訓(xùn)練集并對(duì)其進(jìn)行訓(xùn)練，并通過(guò)驗(yàn)證集對(duì)算法進(jìn)行驗(yàn)證。④算法訓(xùn)練：經(jīng)過(guò)比較，確定了兩個(gè)或三個(gè)最優(yōu)模型，并在基本模型的基礎(chǔ)上進(jìn)一步調(diào)整了神經(jīng)網(wǎng)絡(luò)的結(jié)果和網(wǎng)絡(luò)參數(shù)，以提高算法的準(zhǔn)確性。在獲得相位訓(xùn)練的結(jié)果之后，測(cè)試算法以比較該算法是否可以正確識(shí)別出未經(jīng)訓(xùn)練的圖像為標(biāo)準(zhǔn)。⑤算法測(cè)試：通過(guò)使用接收者的工作特征曲線(xiàn)來(lái)客觀地評(píng)估算法的性能，并構(gòu)造靈敏度曲線(xiàn)和特異性曲線(xiàn)作為度量，其中，敏感性指示正確識(shí)別腫瘤的能力，而特異性指示正確識(shí)別良性腫瘤病變的能力。

3 人工智能高質(zhì)執(zhí)行取決于精準(zhǔn)標(biāo)注

算法作為病理人工智能的核心關(guān)鍵，有效的數(shù)據(jù)是其運(yùn)行的基礎(chǔ)和必要的條件。在腫瘤病理診斷中，人工智能若對(duì)出去無(wú)法完整處理或者出偏移，就會(huì)導(dǎo)致最終的決策出現(xiàn)錯(cuò)誤或者偏差，使人工智能的應(yīng)用受限。和其他的圖像比較，病理圖像有其顯著特點(diǎn)，主要表現(xiàn)在：①獲取高質(zhì)量且尺寸適宜的圖像，聯(lián)合顯微鏡及數(shù)字切片掃描儀等可以進(jìn)一步提高圖像質(zhì)量，但當(dāng)病理切片圖片尺寸比較大時(shí)，則要按算法不斷進(jìn)行訓(xùn)練及調(diào)整[4]。②數(shù)據(jù)標(biāo)注置信度，體現(xiàn)在人工智能于腫瘤病理算法中是否可以完全做到精準(zhǔn)，這是由標(biāo)注的可靠性來(lái)決定的，但病理切片標(biāo)準(zhǔn)非常繁瑣，工作量大，特殊病理還需由多名專(zhuān)家和特殊的染色審核進(jìn)行輔助標(biāo)注。③在病理診斷中涉及到的病種比較多，且每個(gè)病種都具備需要獨(dú)立模型的可能，尤其是腫瘤疾病，要求每一名專(zhuān)家都要對(duì)部分病種做到熟透于心。

病理標(biāo)注的方式及算法不同，其表現(xiàn)也不同，但其原則是一致的，也就是準(zhǔn)確完整的標(biāo)記所有腫瘤細(xì)胞，標(biāo)記原則包括：

3.1 標(biāo)注團(tuán)隊(duì)權(quán)威性。對(duì)腫瘤病理進(jìn)行標(biāo)準(zhǔn)的工作人員必須有扎實(shí)的醫(yī)學(xué)知識(shí)和實(shí)踐能力，要求團(tuán)隊(duì)成員中要有1 名固定病理專(zhuān)家、1 名病理技術(shù)者、3 名有醫(yī)學(xué)背景的年輕醫(yī)師等，其中，病理專(zhuān)家負(fù)責(zé)審核工作，適當(dāng)修正錯(cuò)漏標(biāo)注；病理技術(shù)者主要負(fù)責(zé)特殊染色比如免疫組化等工作，年輕醫(yī)師則負(fù)責(zé)標(biāo)注，在標(biāo)注疾病前必須經(jīng)專(zhuān)家培訓(xùn)及指導(dǎo)后進(jìn)行。

3.2 標(biāo)注工具簡(jiǎn)單化。目前市場(chǎng)上可用于進(jìn)行標(biāo)準(zhǔn)的軟件繁多，如Photoshop、view、image 等，這些工具都可對(duì)腫瘤細(xì)胞進(jìn)行標(biāo)記，但在像素及方便程度上有一定限制[5]。不同團(tuán)隊(duì)使用的標(biāo)注工具也不同，有簡(jiǎn)單的也有復(fù)雜的，但均以簡(jiǎn)單化為主，如選擇不連續(xù)線(xiàn)性標(biāo)準(zhǔn)工具，線(xiàn)的起始點(diǎn)可自動(dòng)連接，線(xiàn)的粗細(xì)及顏色也可調(diào)節(jié)，且附帶有自定義功能，可大大提高標(biāo)注速度及標(biāo)注的準(zhǔn)確性。

3.3 標(biāo)注序列程序化。明確了腫瘤人工智能診斷后，先掌握其細(xì)節(jié)與宏觀情況，如腫瘤細(xì)胞特點(diǎn)的分類(lèi)等，如在胃癌的診斷中，由于胃癌類(lèi)型有十多個(gè)，這就需要建立十多個(gè)序列，而在每個(gè)序列中都包含有一種類(lèi)型的上百或者上千張病理圖片，借助統(tǒng)一掃描工具數(shù)字化所有圖片，再經(jīng)標(biāo)注工具切取所需預(yù)期圖片，之后做好人員標(biāo)注，最后經(jīng)專(zhuān)家審核及補(bǔ)充后方可使用。

3.4 制片流程標(biāo)準(zhǔn)化。如果圖片的質(zhì)量比較低，很容易算成腫瘤，出現(xiàn)誤診情況，伊紅染色時(shí)間過(guò)長(zhǎng)或過(guò)短都會(huì)發(fā)生偏差，如果伊紅染色太濃，將無(wú)法完全識(shí)別病理圖像神經(jīng)，但是能夠完全識(shí)別正常染色，同時(shí)，不同組織結(jié)構(gòu)的對(duì)比度將降低，從而難以區(qū)分。 該解決方案主要包括增加用于深度學(xué)習(xí)的不同染色質(zhì)量切片的樣本大??；建造全自動(dòng)的攝片和染色設(shè)備，并優(yōu)化工藝，提供數(shù)字化及標(biāo)準(zhǔn)化病理圖像。

3.5 標(biāo)注流程規(guī)范性。在腫瘤的病理診斷中，即便醫(yī)師熟練標(biāo)注的方法，在標(biāo)注工具的使用中也要花費(fèi)大量的時(shí)間及精力去摸索，如對(duì)分化程度比較低，如2048×2048 像素腺癌圖片在放大了200 倍后，要做的標(biāo)記可能達(dá)到上百個(gè)，對(duì)印絨細(xì)胞癌病理照片的標(biāo)注則可能要上千個(gè)。所以，為了減少再次返工情況，標(biāo)注之前要制定規(guī)范流程進(jìn)行標(biāo)準(zhǔn)，要求首先要明確好標(biāo)記方式，專(zhuān)家獲取圖片后，按算法明確標(biāo)注的方式；其次，明確標(biāo)注的范圍，也就是要明確標(biāo)記線(xiàn)與腺體是否要緊貼，若有空隙時(shí)是否會(huì)影響算法等；第三，標(biāo)記清晰的組織，由于腫瘤組織有許多成分，其中一些在指導(dǎo)治療和評(píng)估預(yù)后方面起著重要作用，有必要事先確定是否貼標(biāo)簽；最后，合理安排時(shí)間，及時(shí)報(bào)告疑難病理。

4 結(jié)論與展望

在腫瘤病理診斷中，計(jì)算機(jī)輔助算法的廣泛應(yīng)用可大大提高腫瘤病理診斷準(zhǔn)確性，以減輕臨床病理醫(yī)師的負(fù)擔(dān)，但由于病理人工智能處在研發(fā)的初始階段，在短時(shí)間內(nèi)進(jìn)入到臨床實(shí)踐比較困難。而病理診斷作為最終診斷，不可出現(xiàn)任何差錯(cuò)時(shí)間，但由于當(dāng)前人工智能在腫瘤病理診斷中的準(zhǔn)確性還未能達(dá)到百分百，所以需要增加相應(yīng)的醫(yī)療數(shù)據(jù)，在病理專(zhuān)家的參與和深度學(xué)習(xí)中結(jié)合人類(lèi)智能，人工智能和實(shí)驗(yàn)室方法來(lái)提高腫瘤病理診斷的準(zhǔn)確性。同時(shí)，我們必須整合分子檢測(cè)和免疫組織化學(xué)等先進(jìn)的技術(shù)方法，以最大程度地減少漏診和誤診的發(fā)生率，為臨床后期治療和改善疾病預(yù)后等提供重要參考。