龙源期刊网 http://www.qikan.com.cn
人工智能在病理诊断领域中的应用现状
作者：朱维健
来源：《健康必读·下旬刊》2020年第05期
【摘 要】：目的：分析AI人工智能在病理诊断领域中的应用与发展。方法：通过查询文献资料来获取人工智能技术和病理诊断的发展状况， 将查询的测试结果与病理学家的常规检查进行了比较。结果：在实验室条件下AI（人工智能）可大幅度提升病理诊断的准确率， 其表现优于大多数进行比较的病理学家。结论：AI（人工智能）全面应用于病理诊断的时代终将会到来。
【关键词】：AI;人工智能应用;病理诊断
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
龙源期刊网 http://www.qikan.com.cn
1 资料与方法 1.1 一般资料
通过查询近年来文献资料包括中华病理学杂志、诊断病理学杂志、第二军医大学学报、互联网医学等相关信息来了解当今人工智能在病理诊断领域中的应用。2017年美国食品和药品管理局（FDA）批准了第1个WSI系统，2018年批准Philips IntelliSite病理解决方案（PIPS）作为第1个用于病理诊断的WSI方案。在第七届中国病理年会期间举办的2017病理图像诊断人机挑战赛上，人工智能系统与10位资深病理专家同场竞技的结果分析。Ehteshami等组织了2016年淋巴结有无乳腺癌转移的挑战（CAMELYON16），通过哈佛大学医学院和麻省理工学院使用GoogleNet架构分析和2016年在Pathsoc大会上举办的人工智能自动化HER2评分竞赛，综合成绩靠前的自动化评分系统分析。对Song等在2014年提出的基于超像素和卷积神经网络分割方法用于宫颈癌的筛查研究以及2018年Yoshida等对胃组织活检标本切片图像自动组织学分类研究等一系列信息和资料进行分析。 1.2 方法
通过查询文献资料来获取人工智能技术和病理诊断的发展状况。本次实验总计采用了近千名膀胱癌患者的尿路上皮癌切片数据，整个数据集分为620个用于训练的病理切片，193个用于验证的病理切片和100个用于测试的病理片。包括102例非侵入性低级别乳头状尿路上皮癌以及811例非侵入性或侵入性高级别乳头状尿路上皮癌。为了评估神经网络系统的效果，21名泌尿生殖病理学家参与了数据注释和诊断性能评估。经过大约近两年的努力，病理学家使用研究人员开发的基于Web的注释程序对数据进行了集体清理和手动注释。 2 结果
通过将该系统的测试结果与病理学家的常规检查进行了比较，结果显示，该系统实现了97%的曲线下面积（AUC）评分，其表现优于大多数进行比较的病理学家。此外，当使用混淆矩阵进行比较（图e，f）时，结果显示系统的平均准确度为94.6%，而病理学家的平均准确度为84.3%。实际上，统计结果还表明，病理医生对于部分类型的前列腺癌的诊断一致率不足50%。因此仅从数据上看的话，此次论文中所提出的AI系统，在准确率和一致性上都有较好的表现。 3 结论
3.1 可解释性的研究
正如前文所示，该系统通过扫描器网络、诊断器网络、聚合器网络，对AI辅助诊断的可解释性进行了探索，最终会产生说明文字同ROI同步输出。
龙源期刊网 http://www.qikan.com.cn
如上图，a、b显示的为全片肿瘤检测结果，c、d、e则为生成的“特征感知注意图”，对诊断细节进行描述。我们可以看到，针对每一张切片，系统在判读后，除了常规地将ROI区域框选出来，还针对不同区域生成了解释性文字。其中，不同特征的文字被使用不同颜色加以区分，而该描述所对应的ROI，都被加以相同颜色的框表示，便于病理医生查看时一一对应。 该系统描述了观察到的一定数量的细胞特征以及特征感知注意图，注意图对网络观察到的视觉信息的类型给出了强有力的解释（图c-e）。实际上，注意图包含了框选区域中每一个像素的权重，用以确定不同像素对于给定的特征观察的重要程度，但输出的内容却并不是令人费解的数值，而是类似于病理医生的判读依据。
这样专业化的文字表述加强了AI分析病理切片的可信度，当人类医生与机器诊断结果不符时，医生们也能够更容易地对比自己与机器的诊断意见到底在何处有所区别，了解产生区别的原因，在很大程度上能够提高诊断准确度。 系统网络组件的评估
3.2 在算法结构方面，算法的各部分性能在完成后均被予以验证
首先，研究人员评估肿瘤和非肿瘤图像的s-net的腫瘤检测召回率（非肿瘤图像表示内部没有突出肿瘤的裁剪的滑动组织区域）。s-net达到94%的高真阳性（检测到的肿瘤像素数/总注释肿瘤像素）并同时维持95.3%的阴性召回率。
其次，研究人员使用了两个评估指标验证了生成的诊断描述的质量：双语评估Understudy（BLEU）和基于共识的图像描述评估（CIDEr）。而这些验证结果显示，该算法已经具备了一定的优越性。此项实验突破了AI病理三类证审批的关键难点
囿于其决策流程的不可解释性，“深度学习”一直被遵循循证医学指南的临床医生拒之门外，成为了制约医学影像人工智能发展，特别是获得三类证审批的关键。
而本次实验则为人工智能的审批提供新的思路：虽然现阶段的人工智能仍不具备推理能力，但我们能将医生的推理步骤模块化，从而模拟推理的过程。此外，本次实验中的文字匹配过程是按照WHO标准并具有严格依据的，这与许多基于多样本深度学习生成的勾画不同，实验的每一个步骤都可由AI提供决策依据，并非单纯概率云下的黑箱运算。
3.3 这项研究没有控制参与病理医师的疲劳程度，这可能是影响AUC的独立因素，需要进一步研究这一系统对不同疲劳水平医生的有效性。
人工智能在病理诊断领域中的应用现状
