面向精准医疗的人工智能在病理图像中的应用

摘 要：精准医疗旨在综合多种医疗大数据，为病人量身设计出最佳治疗方案，以达到治疗效果最大化和副作用最小化。人工智能算法以其强大的特征提取能力，在计算机视觉领域表现出显著的优越性。将人工智能应用于医学场景中，特别是病理切片图像分析中，极大地促进了计算机辅助诊断的发展，为实现精准医疗提供了可能与生机。

关键词：病理切片图像；精准医疗；人工智能

中图分类号：TP18 文献标识码：A文章编号：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，美国科学家在《走向精准医疗》的报告中首次提出了“精准医疗”的概念[1]，而我国的精准医疗更侧重于综合多种医疗大数据，为病人量身设计出最佳治疗方案。虽然在两种定义下的精准医疗的侧重点不同，但是其核心是一样的，就是大数据与医疗的结合。

人工智能和大数据等技术在医疗领域的应用，将大大推动精准医疗的发展。病理切片图像作为医疗大数据中举足轻重的一部分，在疾病诊断、治疗方案的制定和疾病预后中具有重要参考价值。通过挖掘其包含的大量信息可得到反映人类健康和疾病的信息，将这些信息应用到临床当中来，将大大提高临床治疗的效果，因此对基于人工智能技术实现以医学图像为介质的精准医疗的研究具有重要意义。本文将以病理切片图像分析为切入点，阐述基于人工智能实现对病理切片图像进行深入信息挖掘和疾病诊断的精准医疗研究，并提出对未来研究方向的展望。

1 人工智能技术在病理切片图像分析中的应用

人工智能技术之所以能在医学图像分析中取得成功，核心在于人工智能技术对大数据的分析能力与爆炸式增长的医学图像数量的相互碰撞，人工智能技术最大限度地发挥了深度学习特征的能力，医疗大数据的储备也得到了充分应用。

病理切片图像是臨床中癌症诊断的金标准[2]。然而，病理切片人工阅片这种定性分析方法在“精准医疗”对诊断准确率越发严格的要求下，逐渐显露出弊端。人工阅片会耗费医生大量时间与精力，导致准确率下降，而且由于医生本身具有主观性，不同医生的阅片结果存在差异[3]。随着高分辨率的全切片数字化图像的出现，掀起了一股利用计算机进行病理切片图像自动阅片的浪潮。然而，染色密度、切片平整度以及组织样本的损坏程度等等，均会对病理切片的质量产生影响。另外，在病理切片图像采集过程中，图像压缩时引入变形、噪声的出现以及切片扫描仪本身的特性，都将影响最终得到的电子切片图像的质量[10]。这些因素都为人工智能算法的应用带来了契机，也是目前众多研究者重点关注的问题和重点研究的方向。

1.1 细胞检测与识别

细胞内部结构与特征在病理检查中扮演着不可或缺的角色，细胞核以及有丝分裂的特征、数量等信息在病理诊断中起着关键性作用。由于细胞核种类不同、疾病的恶化程度不同以及细胞核所处生命周期不同，细胞核外形会显现出巨大的差异。有丝分裂的四个不同时期在外形上有着较大差异，这给自动检测造成了不小的挑战。人工智能算法可解决上述问题，将细胞或其内部结构检测并分割出来，极大地促进了在细胞层面上的分析以及癌症诊断的发展。

Ciresan等人使用深度卷积神经网络对乳腺癌病理切片图像进行逐像素分类，在2012年ICPR有丝分裂检测比赛中一举夺冠，展示了深度神经网络在病理切片图像应用中的巨大优势和潜力[4]。Sirinukunwattana等人设计了一种空间约束的卷积神经网络检测细胞核并提出了一个NEP预测器对细胞核进行分类[5]。Chen H等人提出了一个深度层级卷积神经网络检测有丝分裂，远远超越了2014年ICPR MITOS-ATYPI比赛各队的方法。该网络由两部分组成，一个基于全卷积网络的粗检索模型识别并定位图像中有丝分裂候选区域，在此基础上，一个判别模型运用迁移学习方法，进一步将有丝分裂从候选者中遴选出来[6]。

1.2 腺体分割

腺体是人体的一种重要结构，存在于大多数器官、系统中。通过观察腺体的形态，可以判定腺癌是恶性或良性以及其癌症严重程度，因此腺体分割对于腺癌的分析与诊断具有重要意义。

在2015年MICCAI腺體自动分割比赛中，深度学习方法大放异彩，如图1所示。Chen等人利用FCN的多层级特征提取，提出了一种轮廓敏感的深度神经网络，包括一条上采样路径和一条下采样路径，网络可在输出分割概率谱的同时画出腺体的轮廓[7]。Ronneberger等人提出了U-Net和一种训练策略，依赖于数据扩增算法，高效利用有限的标注数据，该网络为端到端网络，输入一张切片图像，可直接输出腺体与背景二分分割谱[8]。Xu等人提出了一种多通道神经网络，包括全卷积前景分割网络、边界检测网络和物体检测网络，提取腺体病理切片图像中腺体的形态、边界及位置特征，整合特征后对每个像素做出预测，最终得到腺体的实例分割结果[9]。在相同的评估方法下，该方法的性能超越了参加比赛的其他队伍，位列第一。

1.3 癌症自动分期

癌症分期通过评估肿瘤大小和扩散来确定癌症发展的过程，是临床医生提供计划治疗和量化患者预后的坚实基础。目前有几种癌症分期系统，使用最广泛的是TNM分期系统[10]。然而不同专家的判断差异会导致分期存在相当大的区别，结果可复现性较低[11]。因此，建立和使用计算机辅助诊断系统，自动进行癌症分期十分必要。

Ertosun和Rubin设计了一个由两个卷积神经网络组成的算法对神经胶质瘤进行自动分级，如图2所示，使用TCGA数据库中的病理切片图像对网络进行训练，在低级别胶质瘤（LGG）与多形性成胶质细胞瘤（GBM）分类任务中达到96%的准确率[12]。Spanhol等人基于AlexNet对乳腺癌病理切片图像进行分析，将其分为恶性与良性，达到85.6%的准确率[13]。Wan等人利用卷积神经网络，从106张H&E染色乳腺组织切片图像中提取了像素级、物体级以及语义级的多层级特征，获得了较高的准确率[14]。

由于病理切片图像中所包含的冗余信息量较大，目前对于自动癌症分级分期以及预后方面的研究成果及应用数量和质量都有待提升和完善。

2 总结与展望

人工智能技术具有强大的特征提取能力，通过人工智能技术辅助，医学图像分析能力得到了大大提高。人工智能技术可协助医生在治疗过程中进行准确分析，提高疾病诊断的可靠性。人工智能的虚拟现实技术还可实现手术室和科研等多个医疗场景的交互，以及医学影像的介导手术，通过人机合作进一步提高医疗水准和效率。

综上，人工智能技术在医学图像中的应用是实现精准医疗的可行之路，通过计算机技术实现大数据的整合、采集，进而实现医疗个性化服务，可为精准医疗未来发展提供新生机。

参考文献：

[1] 徐鹏辉.美国启动精准医疗计划 [J].世界复合医学，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：王艺培（1994.05-），女，汉族，河南舞钢人，生物医学工程专业，硕士。研究方向：生物医学信息与仪器。

推荐访问： 人工智能 病理 精准 图像 面向