面向精準醫療的人工智能在病理圖像中的應用

摘 要：精準醫療旨在綜合多種醫療大數據，為病人量身設計出最佳治療方案，以達到治療效果最大化和副作用最小化。人工智能算法以其強大的特征提取能力，在計算機視覺領域表現出顯著的優越性。將人工智能應用于醫學場景中，特別是病理切片圖像分析中，極大地促進了計算機輔助診斷的發展，為實現精準醫療提供了可能與生機。

關鍵詞：病理切片圖像；精準醫療；人工智能

中圖分類號：TP18 文獻標識碼：A文章編號：2096-4706（2018）05-0170-03

Application of Artificial Intelligence for Precision Medicine in Pathological Image

WANG Yipei1，YAN Wen1，ZHANG Yizhao2，LAI Maode3，XU Yan1，2

（1.School of Biological and Medical Engineering，Beihang University，Beijing 100191，China；2.Microsoft Research Asia，Beijing 100080，China；3.Department of Pathology，School of Medicine，Zhejiang University，Hangzhou 310058，China）

Abstract：Precision medicine aims to integrate a variety of medical big data to tailor the patient's best treatment plan in order to achieve maximum treatment effects and minimize side effects. Artificial intelligence algorithm has remarkable advantages in computer vision field because of its powerful feature extraction ability. Applying artificial intelligence to medical scenarios，especially pathological image analysis，has greatly promoted the development of computer-aided diagnosis and provided potential and vitality for precision medicine.

Keywords：pathological section images；precision medicine；artificial intelligence

0 引 言

2011年，美國科學家在《走向精準醫療》的報告中首次提出了“精準醫療”的概念[1]，而我國的精準醫療更側重于綜合多種醫療大數據，為病人量身設計出最佳治療方案。雖然在兩種定義下的精準醫療的側重點不同，但是其核心是一樣的，就是大數據與醫療的結合。

人工智能和大數據等技術在醫療領域的應用，將大大推動精準醫療的發展。病理切片圖像作為醫療大數據中舉足輕重的一部分，在疾病診斷、治療方案的制定和疾病預后中具有重要參考價值。通過挖掘其包含的大量信息可得到反映人類健康和疾病的信息，將這些信息應用到臨床當中來，將大大提高臨床治療的效果，因此對基于人工智能技術實現以醫學圖像為介質的精準醫療的研究具有重要意義。本文將以病理切片圖像分析為切入點，闡述基于人工智能實現對病理切片圖像進行深入信息挖掘和疾病診斷的精準醫療研究，并提出對未來研究方向的展望。

1 人工智能技術在病理切片圖像分析中的應用

人工智能技術之所以能在醫學圖像分析中取得成功，核心在于人工智能技術對大數據的分析能力與爆炸式增長的醫學圖像數量的相互碰撞，人工智能技術最大限度地發揮了深度學習特征的能力，醫療大數據的儲備也得到了充分應用。

病理切片圖像是臨床中癌癥診斷的金標準[2]。然而，病理切片人工閱片這種定性分析方法在“精準醫療”對診斷準確率越發嚴格的要求下，逐漸顯露出弊端。人工閱片會耗費醫生大量時間與精力，導致準確率下降，而且由于醫生本身具有主觀性，不同醫生的閱片結果存在差異[3]。隨著高分辨率的全切片數字化圖像的出現，掀起了一股利用計算機進行病理切片圖像自動閱片的浪潮。然而，染色密度、切片平整度以及組織樣本的損壞程度等等，均會對病理切片的質量產生影響。另外，在病理切片圖像采集過程中，圖像壓縮時引入變形、噪聲的出現以及切片掃描儀本身的特性，都將影響最終得到的電子切片圖像的質量[10]。這些因素都為人工智能算法的應用帶來了契機，也是目前眾多研究者重點關注的問題和重點研究的方向。

1.1 細胞檢測與識別

細胞內部結構與特征在病理檢查中扮演著不可或缺的角色，細胞核以及有絲分裂的特征、數量等信息在病理診斷中起著關鍵性作用。由于細胞核種類不同、疾病的惡化程度不同以及細胞核所處生命周期不同，細胞核外形會顯現出巨大的差異。有絲分裂的四個不同時期在外形上有著較大差異，這給自動檢測造成了不小的挑戰。人工智能算法可解決上述問題，將細胞或其內部結構檢測并分割出來，極大地促進了在細胞層面上的分析以及癌癥診斷的發展。

Ciresan等人使用深度卷積神經網絡對乳腺癌病理切片圖像進行逐像素分類，在2012年ICPR有絲分裂檢測比賽中一舉奪冠，展示了深度神經網絡在病理切片圖像應用中的巨大優勢和潛力[4]。Sirinukunwattana等人設計了一種空間約束的卷積神經網絡檢測細胞核并提出了一個NEP預測器對細胞核進行分類[5]。Chen H等人提出了一個深度層級卷積神經網絡檢測有絲分裂，遠遠超越了2014年ICPR MITOS-ATYPI比賽各隊的方法。該網絡由兩部分組成，一個基于全卷積網絡的粗檢索模型識別并定位圖像中有絲分裂候選區域，在此基礎上，一個判別模型運用遷移學習方法，進一步將有絲分裂從候選者中遴選出來[6]。

1.2 腺體分割

腺體是人體的一種重要結構，存在于大多數器官、系統中。通過觀察腺體的形態，可以判定腺癌是惡性或良性以及其癌癥嚴重程度，因此腺體分割對于腺癌的分析與診斷具有重要意義。

在2015年MICCAI腺體自動分割比賽中，深度學習方法大放異彩，如圖1所示。Chen等人利用FCN的多層級特征提取，提出了一種輪廓敏感的深度神經網絡，包括一條上采樣路徑和一條下采樣路徑，網絡可在輸出分割概率譜的同時畫出腺體的輪廓[7]。Ronneberger等人提出了U-Net和一種訓練策略，依賴于數據擴增算法，高效利用有限的標注數據，該網絡為端到端網絡，輸入一張切片圖像，可直接輸出腺體與背景二分分割譜[8]。Xu等人提出了一種多通道神經網絡，包括全卷積前景分割網絡、邊界檢測網絡和物體檢測網絡，提取腺體病理切片圖像中腺體的形態、邊界及位置特征，整合特征后對每個像素做出預測，最終得到腺體的實例分割結果[9]。在相同的評估方法下，該方法的性能超越了參加比賽的其他隊伍，位列第一。

1.3 癌癥自動分期

癌癥分期通過評估腫瘤大小和擴散來確定癌癥發展的過程，是臨床醫生提供計劃治療和量化患者預后的堅實基礎。目前有幾種癌癥分期系統，使用最廣泛的是TNM分期系統[10]。然而不同專家的判斷差異會導致分期存在相當大的區別，結果可復現性較低[11]。因此，建立和使用計算機輔助診斷系統，自動進行癌癥分期十分必要。

Ertosun和Rubin設計了一個由兩個卷積神經網絡組成的算法對神經膠質瘤進行自動分級，如圖2所示，使用TCGA數據庫中的病理切片圖像對網絡進行訓練，在低級別膠質瘤（LGG）與多形性成膠質細胞瘤（GBM）分類任務中達到96%的準確率[12]。Spanhol等人基于AlexNet對乳腺癌病理切片圖像進行分析，將其分為惡性與良性，達到85.6%的準確率[13]。Wan等人利用卷積神經網絡，從106張HE染色乳腺組織切片圖像中提取了像素級、物體級以及語義級的多層級特征，獲得了較高的準確率[14]。

由于病理切片圖像中所包含的冗余信息量較大，目前對于自動癌癥分級分期以及預后方面的研究成果及應用數量和質量都有待提升和完善。

2 總結與展望

人工智能技術具有強大的特征提取能力，通過人工智能技術輔助，醫學圖像分析能力得到了大大提高。人工智能技術可協助醫生在治療過程中進行準確分析，提高疾病診斷的可靠性。人工智能的虛擬現實技術還可實現手術室和科研等多個醫療場景的交互，以及醫學影像的介導手術，通過人機合作進一步提高醫療水準和效率。

綜上，人工智能技術在醫學圖像中的應用是實現精準醫療的可行之路，通過計算機技術實現大數據的整合、采集，進而實現醫療個性化服務，可為精準醫療未來發展提供新生機。

參考文獻：

[1] 徐鵬輝.美國啟動精準醫療計劃 [J].世界復合醫學，2015，1（1）：44-46.

[2] BRESHEARS MA. Book Review：Rubin's Pathology：Clinicopathologic Foundations of Medicine[J]. Veterinary Pathology，2008，45（2）：283-283.

[3] Gurcan M N，Boucheron L，Can A，et al. Histopathological Image Analysis：A Review[J]. IEEE Reviews in Biomedical Engineering，2009：147-171.

[4] Dan C. Ciresan，Alessandro Giusti，Luca M. Gambardella， et al. Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks [M].Berlin，Heidelberg：Springer Berlin Heidelberg，2013：411-418.

[5] SIRINUKUNWATTANA K，AHMED R S E，YEE-WAH T，et al. Locality Sensitive Deep Learning for Detection and Classification of Nuclei in Routine Colon Cancer Histology Images [J]. IEEE Transactions on Medical Imaging，2016，35（5）：1196-1206.

[6] Chen H，Dou Q，Wang X，et al. Mitosis Detection in Breast Cancer Histology Images via Deep Cascaded Networks [C]//Thirtieth AAAI Conference on Artificial Intelligence. AAAI，2016：1160-1166.

[7] Hao Chen，Xiaojuan Qi，Lequan Yu，et al. DCAN：Deep Contour-aware Networks for Accurate Gland Segmentation [C]//Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. IEEE，2016：2487-2496.

[8] Ronneberger O，Fischer P，Brox T. U-net：Convolutional Networks for Bomedical Image Segmentation [C]//International Conference on Medical Image Computing and Computer-assisted Intervention. Springer，Cham，2015：234-241.

[9] Xu Y，Li Y，Liu M，et al. Gland Instance Segmentation by Deep Multichannel Side Supervision [J]. IEEE Transactions on Biomedical Engineering，2017，64（12）：2901-2912.

[10] EDGE S B，COMPTON C C. The American Joint Committee on Cancer：the 7th Edition of the AJCC Cancer Staging Manual and the Future of TNM[J]. Annals of Surgical Oncology，2010，17（6）：1471-1474.

[11] FANSHAWE TR，LYNCH AG，ELLIS IO，et al. Assessing agreement between multiple raters with missing rating information，applied to breast cancer tumour grading [J]. PloS one，2008，3（8）：e2925.

[12] Ertosun M G，Rubin D L. Automated Grading of Gliomas using Deep Learning in Digital Pathology Images：A Modular Approach with Ensemble of Convolutional Neural Networks [J]. AMIA. Annual Symposium Proceedings，2015：1899.

[13] Spanhol F A，Oliveira L S，Petitjean C，et al. Breast Cancer Histopathological Image Classification using Convolutional Neural Networks [C]//International Joint Conference on Neural Networks. IEEE，2016：2560-2567.

[14] Tao Wan，Jiajia Cao，Jianhui Chen，et al. Automated grading of breast cancer histopathology using cascaded ensemble with combination of multi-level image features [J]. Neurocomputing，2017，229：34-44.

作者簡介：王藝培（1994.05-），女，漢族，河南舞鋼人，生物醫學工程專業，碩士。研究方向：生物醫學信息與儀器。