準確率遠超人類(lèi)專(zhuān)家 谷歌用深度學(xué)習算法檢測癌癥

　　在檢查患者的生物組織樣品后， 病理學(xué)家的報告通常是許多疾病的黃金診斷標準。特別是對于癌癥，病理學(xué)家的診斷對患者的治療具有深遠的影響。病理切片審查是一個(gè)非常復雜的任務(wù)，需要多年的培訓才能做好，豐富的專(zhuān)業(yè)知識和經(jīng)驗也是必不可少的。盡管都經(jīng)過(guò)培訓，但不同病理學(xué)家對同一患者給出的診斷結果，可能存在實(shí)質(zhì)性的差異，而這可能導致誤診。例如，在某些類(lèi)型的乳腺癌診斷中，診斷結論一致性竟低至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(jiàn)，因為如果想做出準確的診斷，必須檢查大量的信息。病理學(xué)家通常只負責審查一張切片上所有可見(jiàn)的生物組織。然而，每個(gè)患者可能有許多病理切片，假設以40倍的放大倍數進(jìn)行數字化切片圖像，每個(gè)患者的圖像數據都超過(guò)10億個(gè)像素點(diǎn)。想象一下，要遍歷1張1千萬(wàn)像素的照片，并且必須對每個(gè)像素的判斷結果負責。不用說(shuō)了，這里有太多的數據需要檢查，而時(shí)間往往是有限的。

　　為了解決診斷時(shí)間有限和診斷結果不一致的問(wèn)題，我們正在研究如何讓深度學(xué)習數字病理學(xué)領(lǐng)域發(fā)揮作用，通過(guò)創(chuàng )建一個(gè)自動(dòng)檢測算法，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)醫學(xué)中心提供圖像數據來(lái)訓練診斷算法，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擴散。

　　在乳腺癌擴散定位任務(wù)中，使用現成的標準深度學(xué)習方法如Inception(也稱(chēng)為GoogLeNet)，表現也是相當不錯，雖然生成的腫瘤概率預測熱圖還是存在噪點(diǎn)。我們對這個(gè)訓練網(wǎng)絡(luò )做了增強定制，包括用不同的放大倍數的圖片來(lái)訓練模型(非常像病理學(xué)家所做的)，從訓練結果來(lái)看，我們有可能訓練出一個(gè)系統，它的能力可以相當于一個(gè)病理學(xué)家，甚至有可能超過(guò)病理學(xué)家的表現，并且它擁有無(wú)限的時(shí)間來(lái)檢查病理切片。

　　圖1左圖是來(lái)自?xún)蓚€(gè)淋巴結活檢的圖像，中圖是早期深度學(xué)習算法檢測腫瘤的結果，右圖是我們當前的成果，注意第二個(gè)版本的可見(jiàn)噪聲(潛在誤判)已降低。

　　事實(shí)上，由該算法產(chǎn)生的預測熱圖已經(jīng)改善了很多，該算法的定位得分(FROC)達到89%，明顯超過(guò)沒(méi)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為這種方法是有希望的，其他組別的算法模型在同一數據集中獲得了高達81%的分數。對我們來(lái)說(shuō)更令人興奮的是，我們的模型魯棒性非常強，從不同的醫院使用不同的掃描儀獲得的圖像都可以識別。相關(guān)的詳細信息，請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癌癥轉移”。

　　圖2 淋巴結活檢的特寫(xiě)鏡頭。組織包含乳腺癌轉移以及巨噬細胞，其看起來(lái)與腫瘤相似，但是是良性正常組織。我們的算法成功識別腫瘤區域(亮綠色)，不會(huì )被巨噬細胞干擾。

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

　　· 像大多數指標一樣，本地化的FROC分數并不是完美的。在這里，FROC分數定義是預設帶有少量假陽(yáng)性的靈敏度，假陽(yáng)性是指將正常組織錯判為腫瘤，靈敏度則是每個(gè)載玻片所檢測到腫瘤的百分比。但病理學(xué)家很少做假陽(yáng)性的誤判，例如上述73%的得分對應于73%的靈敏度和零假陽(yáng)性。相比之下，假設允許更多的假陽(yáng)性個(gè)數，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(yáng)性，我們的算法的靈敏度可達到92%。

　　· 這些算法在執行訓練過(guò)的任務(wù)時(shí)表現良好，但相比人類(lèi)病理學(xué)家，還是缺少豐富的知識和經(jīng)驗。人類(lèi)病理學(xué)家可以檢測出模型還沒(méi)有訓練的異常分類(lèi)，例如炎癥過(guò)程、自身免疫疾病或其他類(lèi)型的癌癥。

　　· 為了確?；颊叩玫阶罴训呐R床結果，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。我們設想我們的算法可以提高病理學(xué)家的診斷效率和診斷結果的一致性。例如，病理學(xué)家可以通過(guò)重點(diǎn)排查最靠前的腫瘤預測區域，以及每個(gè)載玻片多達8個(gè)假陽(yáng)性區域，來(lái)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)家準確地測量腫瘤大小，這與腫瘤預測的結果相關(guān)。

　　訓練模型只是將有趣的研究轉化為真實(shí)產(chǎn)品的第一步。 從臨床驗證到監管批準，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(kāi)頭，我們希望通過(guò)分享我們的工作，能夠加快在這個(gè)領(lǐng)域的進(jìn)步。