在檢查患者的生物組織樣品后， 病理學(xué)家的報(bào)告通常是許多疾病的黃金診斷標(biāo)準(zhǔn)。特別是對(duì)于癌癥，病理學(xué)家的診斷對(duì)患者的治療具有深遠(yuǎn)的影響。病理切片審查是一個(gè)非常復(fù)雜的任務(wù)，需要多年的培訓(xùn)才能做好，豐富的專業(yè)知識(shí)和經(jīng)驗(yàn)也是必不可少的。盡管都經(jīng)過培訓(xùn)

在檢查患者的生物組織樣品后， 病理學(xué)家的報(bào)告通常是許多疾病的黃金診斷標(biāo)準(zhǔn)。特別是對(duì)于癌癥，病理學(xué)家的診斷對(duì)患者的治療具有深遠(yuǎn)的影響。病理切片審查是一個(gè)非常復(fù)雜的任務(wù)，需要多年的培訓(xùn)才能做好，豐富的專業(yè)知識(shí)和經(jīng)驗(yàn)也是必不可少的。盡管都經(jīng)過培訓(xùn)，但不同病理學(xué)家對(duì)同一患者給出的診斷結(jié)果，可能存在實(shí)質(zhì)性的差異，而這可能導(dǎo)致誤診。例如，在某些類型的乳腺癌診斷中，診斷結(jié)論一致性竟低至48％，前列腺癌診斷的一致性也同樣很低。

診斷缺乏一致性低并不少見，因?yàn)槿绻胱龀鰷?zhǔn)確的診斷，必須檢查大量的信息。病理學(xué)家通常只負(fù)責(zé)審查一張切片上所有可見的生物組織。然而，每個(gè)患者可能有許多病理切片，假設(shè)以40倍的放大倍數(shù)進(jìn)行數(shù)字化切片圖像，每個(gè)患者的圖像數(shù)據(jù)都超過10億個(gè)像素點(diǎn)。想象一下，要遍歷1張1千萬像素的照片，并且必須對(duì)每個(gè)像素的判斷結(jié)果負(fù)責(zé)。不用說了，這里有太多的數(shù)據(jù)需要檢查，而時(shí)間往往是有限的。

為了解決診斷時(shí)間有限和診斷結(jié)果不一致的問題，我們正在研究如何讓深度學(xué)習(xí)數(shù)字病理學(xué)領(lǐng)域發(fā)揮作用，通過創(chuàng)建一個(gè)自動(dòng)檢測(cè)算法，在病理學(xué)家的工作流中提供輔助工具。谷歌研究院使用由Radboud大學(xué)醫(yī)學(xué)中心提供圖像數(shù)據(jù)來訓(xùn)練診斷算法，這些圖片也在2016 ISBI Camelyon Challenge中使用，目前該算法已被優(yōu)化，用于定位出乳腺癌向乳房相鄰的淋巴結(jié)擴(kuò)散。

在乳腺癌擴(kuò)散定位任務(wù)中，使用現(xiàn)成的標(biāo)準(zhǔn)深度學(xué)習(xí)方法如Inception（也稱為GoogLeNet），表現(xiàn)也是相當(dāng)不錯(cuò)，雖然生成的腫瘤概率預(yù)測(cè)熱圖還是存在噪點(diǎn)。我們對(duì)這個(gè)訓(xùn)練網(wǎng)絡(luò)做了增強(qiáng)定制，包括用不同的放大倍數(shù)的圖片來訓(xùn)練模型（非常像病理學(xué)家所做的），從訓(xùn)練結(jié)果來看，我們有可能訓(xùn)練出一個(gè)系統(tǒng)，它的能力可以相當(dāng)于一個(gè)病理學(xué)家，甚至有可能超過病理學(xué)家的表現(xiàn)，并且它擁有無限的時(shí)間來檢查病理切片。

圖1左圖是來自兩個(gè)淋巴結(jié)活檢的圖像，中圖是早期深度學(xué)習(xí)算法檢測(cè)腫瘤的結(jié)果，右圖是我們當(dāng)前的成果，注意第二個(gè)版本的可見噪聲（潛在誤判）已降低。

事實(shí)上，由該算法產(chǎn)生的預(yù)測(cè)熱圖已經(jīng)改善了很多，該算法的定位得分（FROC）達(dá)到89％，明顯超過沒有時(shí)間約束的病理學(xué)家，他們的得分僅為73％。我們不是唯一一組認(rèn)為這種方法是有希望的，其他組別的算法模型在同一數(shù)據(jù)集中獲得了高達(dá)81％的分?jǐn)?shù)。對(duì)我們來說更令人興奮的是，我們的模型魯棒性非常強(qiáng)，從不同的醫(yī)院使用不同的掃描儀獲得的圖像都可以識(shí)別。相關(guān)的詳細(xì)信息，請(qǐng)參閱谷歌研究院的相關(guān)文章“在千兆像素病理圖像上檢測(cè)癌癥轉(zhuǎn)移”。

圖2 淋巴結(jié)活檢的特寫鏡頭。組織包含乳腺癌轉(zhuǎn)移以及巨噬細(xì)胞，其看起來與腫瘤相似，但是是良性正常組織。我們的算法成功識(shí)別腫瘤區(qū)域（亮綠色），不會(huì)被巨噬細(xì)胞干擾。

雖然這些結(jié)果看來振奮人心，但有幾個(gè)重要的注意事項(xiàng)需要考慮：

像大多數(shù)指標(biāo)一樣，本地化的FROC分?jǐn)?shù)并不是完美的。在這里，F(xiàn)ROC分?jǐn)?shù)定義是預(yù)設(shè)帶有少量假陽性的靈敏度，假陽性是指將正常組織錯(cuò)判為腫瘤，靈敏度則是每個(gè)載玻片所檢測(cè)到腫瘤的百分比。但病理學(xué)家很少做假陽性的誤判，例如上述73％的得分對(duì)應(yīng)于73％的靈敏度和零假陽性。相比之下，假設(shè)允許更多的假陽性個(gè)數(shù)，我們的算法的靈敏度可以提升。如果每個(gè)載玻片允許有8個(gè)假陽性，我們的算法的靈敏度可達(dá)到92％。

這些算法在執(zhí)行訓(xùn)練過的任務(wù)時(shí)表現(xiàn)良好，但相比人類病理學(xué)家，還是缺少豐富的知識(shí)和經(jīng)驗(yàn)。人類病理學(xué)家可以檢測(cè)出模型還沒有訓(xùn)練的異常分類，例如炎癥過程、自身免疫疾病或其他類型的癌癥。

為了確保患者得到最佳的臨床結(jié)果，這些算法需要作為病理學(xué)家的輔助工具，融入到他們的工作流中。我們?cè)O(shè)想我們的算法可以提高病理學(xué)家的診斷效率和診斷結(jié)果的一致性。例如，病理學(xué)家可以通過重點(diǎn)排查最靠前的腫瘤預(yù)測(cè)區(qū)域，以及每個(gè)載玻片多達(dá)8個(gè)假陽性區(qū)域，來降低其假陰性率，假陰性是指未檢出腫瘤的百分比。另外，這些算法可以讓病理學(xué)家準(zhǔn)確地測(cè)量腫瘤大小，這與腫瘤預(yù)測(cè)的結(jié)果相關(guān)。

訓(xùn)練模型只是將有趣的研究轉(zhuǎn)化為真實(shí)產(chǎn)品的第一步。 從臨床驗(yàn)證到監(jiān)管批準(zhǔn)，還有很多困難需要征服。但我們已經(jīng)起了一個(gè)非常有希望的開頭，我們希望通過分享我們的工作，能夠加快在這個(gè)領(lǐng)域的進(jìn)步。