深度神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練對(duì)病理照片進(jìn)行分割的結(jié)果,。圖片來(lái)源于網(wǎng)絡(luò) 　　□本報(bào)記者 徐秉楠 　　最近十幾年來(lái),，隨著圖像數(shù)字化和數(shù)字存儲(chǔ)技術(shù)的快速發(fā)展,，病理學(xué)切片制作全數(shù)字化圖像成為可能,，閱片者可以不通過(guò)顯微鏡而直接在計(jì)算機(jī)上閱讀數(shù)字病理切片。在深度學(xué)習(xí)已經(jīng)開(kāi)始應(yīng)用在醫(yī)學(xué)影像識(shí)別的情況下,，將深度學(xué)習(xí)和數(shù)字病理切片兩者結(jié)合在一起,，很多研究人員開(kāi)始了嘗試。根據(jù)有關(guān)媒體報(bào)道,，近日,，來(lái)自谷歌,、谷歌大腦與Verily公司的科學(xué)家們開(kāi)發(fā)出一款能用來(lái)診斷乳腺癌的人工智能,，它的表現(xiàn)甚至超過(guò)了專業(yè)的病理學(xué)家。針對(duì)這一進(jìn)展,，病理學(xué)領(lǐng)域的專家和人工智能領(lǐng)域的實(shí)踐者又是如何看待的,？ 　　計(jì)算機(jī)技術(shù)應(yīng)用初現(xiàn)曙光 　　從2014年起，微軟亞洲研究院的團(tuán)隊(duì)開(kāi)始鉆研腦腫瘤病理切片的識(shí)別和判斷,，通過(guò)細(xì)胞的形態(tài),、大小、結(jié)構(gòu)等,，去輔助分析和判斷病人所處的癌癥階段,，并且取得了巨大成就。 　　北京協(xié)和醫(yī)院原黨委副書(shū)記陳杰教授在病理診斷領(lǐng)域,，已經(jīng)工作了40年,，是全國(guó)著名的病理診斷專家。他介紹,，病理科的工作主要包含活組織病理檢查與快速石蠟病理診斷,、術(shù)中快速冰凍切片診斷、細(xì)胞學(xué)檢查等,。每一項(xiàng)工作都包含一系列規(guī)范化的流程,，比如常規(guī)的病理診斷,，中間需要經(jīng)過(guò)組織固定、脫水,、透明,、浸蠟、包埋,，石蠟組織切片,、染色，病理醫(yī)師閱片,，分析病變特征,，確定診斷結(jié)果等。人工智能在上述乳腺癌診斷中應(yīng)該涉及的是最后的閱片環(huán)節(jié),，也就是診斷,。 　　“這是個(gè)趨勢(shì)，計(jì)算機(jī)科學(xué),、信息技術(shù)發(fā)展到今天,，讓病理診斷的數(shù)字切片成為了可能，這是一個(gè)基礎(chǔ),。數(shù)字病理切片多了,，使用多點(diǎn)神經(jīng)網(wǎng)絡(luò)的信息技術(shù)，一個(gè)圖像采集多少個(gè)點(diǎn),，每個(gè)點(diǎn)能夠采集多少信息,，這樣去歸類、分析,、總結(jié)形態(tài)學(xué)的規(guī)律,，將來(lái)數(shù)據(jù)量大了，會(huì)有一定的作用,。”陳杰介紹,，目前把計(jì)算機(jī)科學(xué)用到病理診斷上，比較成熟就是婦科細(xì)胞學(xué),，在計(jì)算機(jī)的輔助下,，幫助病理醫(yī)生篩查可能陽(yáng)性的細(xì)胞，再由病理醫(yī)生做診斷,，減輕了醫(yī)生的工作量,，使用了幾十年，取得了比較好的效果,。 　　國(guó)內(nèi)從事人工智能輔助病理診斷研究多年的Airdoc公司創(chuàng)始人張大磊介紹,，人工智能輔助病理診斷首先要在病理專家的輔助下，完成特定病的病理切片標(biāo)注，然后針對(duì)病理切片的特點(diǎn)搭建深度神經(jīng)網(wǎng)絡(luò),，實(shí)現(xiàn)對(duì)大尺寸病理切片的圖片智能處理,，然后對(duì)算法進(jìn)行訓(xùn)練和優(yōu)化，從而訓(xùn)練出精準(zhǔn)高效的算法模型,。目前,，Airdoc人工智能在皮膚癌等幾類腫瘤病理的識(shí)別上，準(zhǔn)確率已經(jīng)和人類頂級(jí)醫(yī)生水平相當(dāng),。 　　化身“病理醫(yī)生”困難不少 　　“說(shuō)人工智能將會(huì)替代病理醫(yī)生,，我看目前還不具備這樣的條件。”談起人工智能在乳腺癌病理診斷領(lǐng)域的最新表現(xiàn),，陳杰并沒(méi)有十分樂(lè)觀,。“針對(duì)一個(gè)病理圖像，將來(lái)人工智能能夠幫助病理醫(yī)生提供幾個(gè)意向性的可能作為參考,，是比較現(xiàn)實(shí)的,，這已經(jīng)很不容易了，需要大量的數(shù)據(jù)來(lái)訓(xùn)練這個(gè)機(jī)器,。但技術(shù)的發(fā)展真不好說(shuō),，還得看人工智能的發(fā)展情況。” 　　陳杰介紹,，除了細(xì)胞學(xué)的情況外,，病理診斷要結(jié)合很多其他因素，比如臨床資料,、形態(tài)學(xué),，有的還要做分子檢測(cè)，查看分子分型,。在組織學(xué)上,，前些年計(jì)算機(jī)科學(xué)進(jìn)步比較慢，一是因?yàn)槿绻?xùn)練機(jī)器來(lái)進(jìn)行病理診斷,，就需要病理案例越多越好，而在數(shù)字切片缺乏的情況下,，這一訓(xùn)練顯然無(wú)法實(shí)現(xiàn),；二是人類的病理圖像很復(fù)雜，變化太多,，即便是將所有相關(guān)權(quán)威書(shū)籍的內(nèi)容加起來(lái),，也不能覆蓋所有的病理情況，而且書(shū)上都是病理形態(tài)中的典型圖,，典型圖代表的是一種疾病的典型形態(tài),。“比如有時(shí)候同樣的形態(tài)長(zhǎng)在不同的部位，可能還不是同一個(gè)病。病理醫(yī)生會(huì)結(jié)合臨床病史進(jìn)行診斷,，而人工智能在這方面可能還不能全部學(xué)習(xí)到,。這就跟阿爾法狗有所不同。阿爾法狗訓(xùn)練的時(shí)候是記棋譜,，棋譜是有數(shù)的,，可能沒(méi)有那么多的復(fù)雜情況。” 　　正因如此,，從技術(shù)的角度希望突圍的人工智能,，在病理解讀上仍然需要面臨很多問(wèn)題。張大磊介紹,，比如數(shù)據(jù)的標(biāo)注置信度,、圖片分割和模型數(shù)量等。人工智能算法精準(zhǔn)與否,，完全是基于標(biāo)注的可靠程度,，“和我們上學(xué)時(shí)候一樣，如果我們學(xué)的東西都是錯(cuò)的,，考試的時(shí)候肯定不能夠得高分,。數(shù)字病理切片的標(biāo)注十分繁瑣，需要頂級(jí)專家對(duì)大量病理切片來(lái)進(jìn)行標(biāo)注,，這是一個(gè)巨大的工作量”,。 　　張大磊說(shuō)，現(xiàn)在病理科人工智能需要解決的還有高質(zhì)量圖像獲取的問(wèn)題,，需要和顯微鏡,、數(shù)字切片掃描儀合作，以便為數(shù)字病理學(xué)提供關(guān)鍵圖像,，從而開(kāi)發(fā)新的解決方案,。對(duì)于大尺寸病理切片的圖片處理同樣十分重要，比如部分腫瘤病理切片的尺寸達(dá)到了20萬(wàn)×20萬(wàn)像素,、甚至40萬(wàn)×40萬(wàn)像素,，這對(duì)于機(jī)器識(shí)別來(lái)說(shuō)十分困難，需要搭建神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法不斷進(jìn)行大量訓(xùn)練,，最終才能實(shí)現(xiàn)對(duì)大尺寸病理切片的圖片處理,。 　　另外一個(gè)需要克服的困難就是模型數(shù)量問(wèn)題，每一個(gè)模型都只能面對(duì)一個(gè)特定病種,，想要覆蓋大部分疾病,，是一件長(zhǎng)久而又困難的事情。 　　未來(lái)仍有更多期待 　　病理診斷是疾病診斷的金標(biāo)準(zhǔn),，病理醫(yī)生也素有“醫(yī)生的醫(yī)生”之稱,。在臨床實(shí)踐中,，病理學(xué)是診斷疾病最重要的方法之一，也是疾病治療的依據(jù),。但是根據(jù)相關(guān)報(bào)道,，我國(guó)注冊(cè)的病理醫(yī)師僅有1萬(wàn)多人，缺口達(dá)4萬(wàn)人～9萬(wàn)人,。在陳杰看來(lái),，這不僅有體制機(jī)制的原因，還跟這一行業(yè)不被重視有關(guān),。據(jù)悉,，在很多基層醫(yī)療衛(wèi)生機(jī)構(gòu)，病理診斷可能就是一個(gè)被省略的過(guò)程,。 　　陳杰介紹,，在北京協(xié)和醫(yī)院，病理診斷被放在比較重要的位置,，受到普遍重視,。該院每年需要做的病理診斷多達(dá)7萬(wàn)余例。“手術(shù)切下來(lái)的組織都得做病理診斷,，包括醫(yī)學(xué)美容,。”但病理醫(yī)生培養(yǎng)是一個(gè)漫長(zhǎng)的過(guò)程，在該院,，一位病理醫(yī)生能夠獨(dú)自做病理診斷需要先經(jīng)過(guò)大學(xué)5年甚至8年的臨床醫(yī)學(xué)教育,，再進(jìn)行5年~6年的臨床病理診斷實(shí)踐。 　　人才奇缺又培養(yǎng)艱難,，在張大磊看來(lái),，這正是人工智能的優(yōu)勢(shì)所在。他介紹,，人工智能識(shí)別病理切片準(zhǔn)確度高,，閱片速度快，沒(méi)有使用地域限制,。它可以長(zhǎng)時(shí)間保持統(tǒng)一的診斷標(biāo)準(zhǔn),，從而保持高準(zhǔn)確率，更好地輔助病理科醫(yī)生篩查出有問(wèn)題的病理照片,。醫(yī)生可以將更多精力放在疑難雜癥的診斷上,。 　　陳杰對(duì)此也表示認(rèn)同，如果有了人工智能幫助醫(yī)生做輔助診斷,，那么病理診斷的效率將得到大大的提高，也就有可能為短時(shí)間內(nèi)解決病理醫(yī)生人才荒的問(wèn)題提供些幫助,。 　　“人工智能訓(xùn)練好了,，不光對(duì)輔助診斷,，對(duì)培訓(xùn)也有意義。”陳杰表示,，人工智能本身就是一個(gè)巨大的數(shù)據(jù)庫(kù),，存了大量的病例、圖庫(kù),、知識(shí)庫(kù),。一方面，可以利用這些病例來(lái)拓寬病理醫(yī)生的視野,；另一方面,，在不斷和人工智能接觸的過(guò)程中，醫(yī)生也可以不斷學(xué)習(xí)并找到診斷的依據(jù)和思路,。 　　但是張大磊也承認(rèn),，現(xiàn)在的人工智能仍然處于弱人工智能階段，只能進(jìn)行一些簡(jiǎn)單的篩查和診斷,，并不能進(jìn)行進(jìn)一步治療,，更不能替代醫(yī)生，仍然需要人類醫(yī)生下達(dá)診斷報(bào)告,，進(jìn)行深一步的治療,，并且人工智能的優(yōu)化同樣需要病理科醫(yī)生的指導(dǎo)。 　　“其實(shí)外界對(duì)病理診斷存在一定的誤解,，認(rèn)為病理診斷就是客觀判斷,，長(zhǎng)什么樣就在那兒了，其實(shí)不一定,。病理診斷跟臨床看病是一樣的,，主客觀因素都有。做診斷還得結(jié)合人的基本信息等,，基于客觀的病理圖片,，還有個(gè)人經(jīng)驗(yàn)、看問(wèn)題的角度等主觀因素影響,，最后還得由病理醫(yī)生做判斷,。”陳杰說(shuō)，人工智能的介入無(wú)疑會(huì)促進(jìn)這個(gè)領(lǐng)域的發(fā)展,，“我們樂(lè)見(jiàn)科技進(jìn)步給社會(huì),、業(yè)界帶來(lái)一些變革，我們也希望人工智能能夠幫助我們病理科解決一些問(wèn)題,，尤其在基層,，幫我們多講點(diǎn)科學(xué)，普及病理知識(shí)”,。 　　張大磊呼吁,，病理覆蓋的病種很多,，目前人工智能覆蓋到的只是極個(gè)別病種，希望有更多的病理醫(yī)生參與到病理領(lǐng)域人工智能的相關(guān)科研與臨床應(yīng)用中來(lái),。