沈曉涵，杜祥

0 引言

2019年8月29日，世界人工智能大會(huì)在上海開幕，人工智能（artificial intelligence,AI）再次成為關(guān)注焦點(diǎn)，新一代AI正在深刻地改變各個(gè)領(lǐng)域，醫(yī)學(xué)是主要領(lǐng)域之一。醫(yī)學(xué)圖像包括X線圖像、CT圖像、眼底鏡圖像、病理圖像等，醫(yī)學(xué)成像作為常用的醫(yī)療輔助檢查手段，在疾病診療中起著重要作用[1]。病理診斷常被視為診斷的“金標(biāo)準(zhǔn)”或“最終診斷”，在臨床診斷中尤為關(guān)鍵[2]。然而，長時(shí)間的人工閱片常導(dǎo)致診斷準(zhǔn)確率下降，且病理醫(yī)師的診斷具有一定主觀性，由于疲勞閱片及主觀差異性等因素勢(shì)必會(huì)帶來一定的誤診率，從而導(dǎo)致誤治[3-4]。全切片數(shù)字化掃描技術(shù)（whole slide imaging,WSI）的出現(xiàn)，掀起了一股用計(jì)算機(jī)進(jìn)行病理切片圖像自動(dòng)閱片的浪潮。然而，染色密度、切片平整度以及組織固定等問題均會(huì)對(duì)病理切片的質(zhì)量產(chǎn)生影響。此外，在圖像采集過程中，圖像壓縮時(shí)變形、噪聲的出現(xiàn)以及切片掃描儀自身的特性，都將影響圖像的質(zhì)量[2,5]。這些因素為AI算法的應(yīng)用帶來了挑戰(zhàn)和契機(jī)，也是目前重點(diǎn)關(guān)注的問題和研究方向。

1 深度學(xué)習(xí)概述

1.1 卷積神經(jīng)網(wǎng)絡(luò)

圖像識(shí)別有多種常用方法，如貝葉斯分類法、模板匹配法等，這些方法在處理圖像時(shí)均有一定局限性。而深度學(xué)習(xí)算法使復(fù)雜的特征提取簡(jiǎn)單化、抽象化，具有高速、省時(shí)及高識(shí)別率的優(yōu)點(diǎn)，為準(zhǔn)確高效的圖像識(shí)別帶來了新契機(jī)[6-7]。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）的研究及其在醫(yī)學(xué)診斷中的應(yīng)用，是將其應(yīng)用于醫(yī)學(xué)圖像識(shí)別中，通過深度學(xué)習(xí)的方式自動(dòng)識(shí)別圖像[8-9]。CNN具有較強(qiáng)的魯棒性（即系統(tǒng)的健壯性，是指控制系統(tǒng)在一定的參數(shù)攝動(dòng)下，維持某些性能的特性，反映了在異常和危險(xiǎn)情況下系統(tǒng)生存的能力）、記憶、自學(xué)習(xí)等能力，在圖像識(shí)別中準(zhǔn)確度較高，因此可為臨床醫(yī)生提供更為客觀的診斷結(jié)果，具有廣泛的應(yīng)用前景。目前CNN作為深度學(xué)習(xí)算法的代表之一，因其結(jié)構(gòu)較為簡(jiǎn)單且適用性較強(qiáng)，廣泛應(yīng)用于醫(yī)學(xué)圖像處理和模式識(shí)別中，特別是影像學(xué)與病理學(xué)[1,10-11]。

CNN 是一種層次網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層、卷積層、激活函數(shù)層、池化層、全連接層及輸出等部 分組成[12-13]。原始數(shù)據(jù)經(jīng)卷積、激活函數(shù)及池化等層層操作，最終剝離出高層語義概念，即前饋運(yùn)算。通過誤差函數(shù)計(jì)算真實(shí)值和輸出 值之間的誤差值，反向逐層反饋并更新每層參數(shù)，即反饋運(yùn)算。通過前饋與反饋運(yùn)算，最終實(shí)現(xiàn)訓(xùn)練目的。CNN在 圖像識(shí)別及準(zhǔn)確率方面均有較大優(yōu)勢(shì)，但 仍有多方面不足，例如，減少參數(shù)量的同時(shí)如何提高運(yùn)算效率、在訓(xùn)練CNN模型的過程中如何選擇合適的卷積核大小以及如 何設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)等，都是 CNN 發(fā)展過程中亟需解決的問題[14]。

1.2 弱監(jiān)督學(xué)習(xí)與多示例學(xué)習(xí)

CNN是一種基于完全監(jiān)督的深度學(xué)習(xí)模型，要求樣本類標(biāo)完整。而在現(xiàn)實(shí)問題中，類標(biāo)信息往往是弱監(jiān)督的。弱監(jiān)督學(xué)習(xí)是一個(gè)總括性術(shù)語，包括了通過較弱的監(jiān)督來構(gòu)建預(yù)測(cè)模型的各種研究。弱監(jiān)督主要分為三種類型：不完全監(jiān)督，即只有訓(xùn)練數(shù)據(jù)集的一個(gè)子集有標(biāo)簽，其余數(shù)據(jù)無標(biāo)簽；不確切監(jiān)督，即只有粗粒度的標(biāo)簽；不準(zhǔn)確監(jiān)督，即給定的標(biāo)簽并非總是真值，通常由于標(biāo)注者主觀因素或圖像本身難以分類[15]。解決弱監(jiān)督樣本集的訓(xùn)練問題，一直都是深度學(xué)習(xí)的研究重點(diǎn)，并形成了系統(tǒng)的理論架構(gòu)，其一是多示例學(xué)習(xí)[16-18]。多示例學(xué)習(xí)是指將樣本集看作一個(gè)含若干包的集合，每個(gè)包中均含有若干數(shù)量的示例（即樣本特征）。當(dāng)且僅當(dāng)一個(gè)包中至少有一個(gè)示例為正時(shí)為正包，反之則為負(fù)包。訓(xùn)練集中包的標(biāo)記已知而示例的標(biāo)記未知，目的則是在示例標(biāo)記未知情況下預(yù)測(cè)包的標(biāo)記。多示例學(xué)習(xí)是從關(guān)注對(duì)示例類標(biāo)的預(yù)測(cè)轉(zhuǎn)為關(guān)注包類標(biāo)的預(yù)測(cè)，而非直接對(duì)每個(gè)示例樣本進(jìn)行預(yù)測(cè)。如將學(xué)習(xí)得到的深度特征與多示例學(xué)習(xí)算法結(jié)合，可解決弱監(jiān)督學(xué)習(xí)下的圖像分類問題，從而提高算法性能[18]。目前的AI輔助病理診斷主要基于完全監(jiān)督學(xué)習(xí)，需要大量的人工標(biāo)注，并由具備長期經(jīng)驗(yàn)的病理專家完成。染色濃度、成像模式及病理切片制作過程中人為操作等問題嚴(yán)重影響病理圖像的質(zhì)量，以及手動(dòng)標(biāo)注過程中病理圖像的數(shù)量限制，使AI輔助病理診斷成為當(dāng)前臨床診療AI研究領(lǐng)域的較大難題。因此，若能采用弱監(jiān)督學(xué)習(xí)的方式來構(gòu)建AI診斷模型，將極大提高病理專家的診斷效率，減少時(shí)間及人力成本。

2 AI輔助病理診斷的研究及應(yīng)用

2.1 細(xì)胞學(xué)篩查

人工智能輔助細(xì)胞學(xué)篩查最初應(yīng)用于宮頸癌細(xì)胞的辨認(rèn)和分割。Song等[19]提出了基于超像素和CNN的分割方法用于宮頸癌的細(xì)胞學(xué)篩查，結(jié)果顯示檢測(cè)其精度達(dá)94.5%，為宮頸癌細(xì)胞的辨認(rèn)奠定了AI應(yīng)用基礎(chǔ)。Al-batah等[20]提出一種多重適應(yīng)神經(jīng)模糊推理系統(tǒng)的模型，能將宮頸細(xì)胞圖像分為正常、低級(jí)別鱗狀上皮內(nèi)瘤變（low-grade squamous intraepithelial lesion,LSIL）和高級(jí)別鱗狀上皮內(nèi)瘤變（high-grade squamous intraepithelial lesion,HSIL）三組，結(jié)果顯示判讀LSIL的準(zhǔn)確度為92.6%，HSIL為93.7%，正常細(xì)胞為97.3%。目前，AI輔助宮頸癌細(xì)胞學(xué)篩查為臨床病理診斷中最有前景的應(yīng)用領(lǐng)域[21]。

2.2 組織學(xué)診斷

近期，MSKCC計(jì)算機(jī)病理實(shí)驗(yàn)室THOMAS FUCHS團(tuán)隊(duì)公布了一項(xiàng)基于15 000例癌癥患者的4萬余張數(shù)字化病理切片的新AI系統(tǒng)，結(jié)果顯示，前列腺癌、基底細(xì)胞癌和腋窩淋巴結(jié)轉(zhuǎn)移乳腺癌的測(cè)試曲線下面積（area under the receiver operating characteristic curve,AUC）分別為0.991、0.988和0.966[22]。該系統(tǒng)為首個(gè)臨床級(jí)別的AI系統(tǒng)，訓(xùn)練過程中使用的數(shù)據(jù)均來自常規(guī)病理報(bào)告，以多示例學(xué)習(xí)結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)的弱監(jiān)督學(xué)習(xí)方式在數(shù)據(jù)集中進(jìn)行訓(xùn)練。該研究納入了三個(gè)數(shù)據(jù)集，包括來自44個(gè)國家和地區(qū)的15 187例癌癥患者的44 732張病理切片圖像，其中24 859張前列腺癌、9 962張基底細(xì)胞癌、9 894張淋巴結(jié)轉(zhuǎn)移乳腺癌切片圖像，比以往研究中的數(shù)據(jù)集大一個(gè)數(shù)量級(jí)以上，因而對(duì)腫瘤病理多樣的組織學(xué)形態(tài)有更高的識(shí)別度。研究同時(shí)納入了具有常見技術(shù)問題的切片，如氣泡、固定不佳、組織不平整、數(shù)字圖像模糊等。據(jù)研究者估計(jì)，若該系統(tǒng)投入臨床使用，在保證100%敏感度的條件下，能夠減少病理醫(yī)師65%～75%的讀片工作。該項(xiàng)研究還對(duì)來自MSKCC以外醫(yī)療機(jī)構(gòu)提供的12 000張切片數(shù)據(jù)進(jìn)行了驗(yàn)證，最終結(jié)果AUC下降5.84%，下降的誤差主要由于新數(shù)據(jù)的特異性、敏感度無顯著差異。此外，研究者還將該模型和基于完全監(jiān)督學(xué)習(xí)的AI模型進(jìn)行對(duì)比，對(duì)兩者的數(shù)據(jù)集進(jìn)行交叉訓(xùn)練后顯示，新AI模型具有較好的性能。由此可見，與精細(xì)的人工標(biāo)注相比，數(shù)據(jù)量大更具有意義。

目前關(guān)于針對(duì)不同腫瘤的AI競(jìng)賽中，乳腺癌幾乎成為競(jìng)賽熱點(diǎn)，為AI在病理圖像識(shí)別領(lǐng)域的應(yīng)用做了很好的示范和推廣。例如，2016年由電氣和電子工程師協(xié)會(huì)（Institute of Electrical and Electronics Engineers,IEEE）下屬的國際生物醫(yī)學(xué)成像研討會(huì)（International Symposium on Biomedical Imaging,ISBI）舉辦了癌癥淋巴結(jié)轉(zhuǎn)移檢測(cè)競(jìng)賽（Cancer Metastases in Lymph Nodes Challenge 2016,CAMELYON16）[23]，針對(duì)常規(guī)HE染色的數(shù)字掃描切片，在無時(shí)間限制條件下，部分計(jì)算機(jī)學(xué)習(xí)結(jié)果與病理學(xué)專家診斷結(jié)果無明顯差異，而在有時(shí)間限制條件下，部分計(jì)算機(jī)學(xué)習(xí)結(jié)果明顯優(yōu)于病理學(xué)專家的平均水平。此外，Cruz-Roa等[24]采用了CNN檢測(cè)整張病理切片圖像上浸潤性導(dǎo)管癌的存在，與手動(dòng)標(biāo)注的浸潤性導(dǎo)管癌區(qū)域相比，陽性預(yù)測(cè)值為71.62%，陰性預(yù)測(cè)值為96.77%?；贏I的圖像分析因其較高的準(zhǔn)確性和工作效率，引起了病理界的廣泛關(guān)注，進(jìn)一步推動(dòng)了AI在病理診斷領(lǐng)域的深入研究[25]。

2.3 免疫表型預(yù)測(cè)

免疫組織化學(xué)（immunohistochemistry,IHC）是利用抗原和抗體特異性結(jié)合的原理對(duì)病理標(biāo)本進(jìn)行切片、染色，使標(biāo)記抗體的顯色劑顯色，從而確定細(xì)胞內(nèi)的抗原，對(duì)其進(jìn)行定位、定性及定量研究。IHC雖為病理診斷中最常用的檢測(cè)手段之一，但該檢測(cè)耗時(shí)且昂貴，且依賴于病理醫(yī)師的主觀判讀。因此，如何用基于AI的圖像分析替代IHC檢測(cè)正成為研究者的關(guān)注熱點(diǎn)。Shamai等[26]利用CNN算法分析基于形態(tài)學(xué)的分子表達(dá)譜（morphological-based molecular profiling,MBMP），以此來預(yù)測(cè)乳腺癌免疫組織化學(xué)雌激素受體（estrogen receptor,ER）表達(dá)情況，并探索乳腺癌組織學(xué)形態(tài)特征與ER表達(dá)之間的關(guān)聯(lián)，結(jié)果顯示MBMP在預(yù)測(cè)ER表達(dá)方面具有與IHC相當(dāng)?shù)臏?zhǔn)確度。該研究推斷，通過適當(dāng)?shù)腁I模型可識(shí)別肉眼無法觀察到的形態(tài)模式，并從HE染色圖像中預(yù)測(cè)分子表達(dá)。另一項(xiàng)研究則訓(xùn)練了一個(gè)AI模型，預(yù)測(cè)非小細(xì)胞肺癌HE圖像中PD-L1的狀態(tài)，從而判斷患者受益于PD-1/PD-L1抑制劑的可能性[27]。在訓(xùn)練組中，研究者提供了超過145 000張病理圖像來學(xué)習(xí)PD-L1+和PD-L1-的HE圖像特征，測(cè)試組中預(yù)測(cè)PD-L1狀態(tài)，其AUC達(dá)到0.80。該模型對(duì)肺腺癌中的PD-L1狀態(tài)預(yù)測(cè)優(yōu)于肺鱗狀細(xì)胞癌，且對(duì)預(yù)測(cè)不同病理學(xué)家之間診斷的差異也有較好的魯棒性，即使在對(duì)應(yīng)于最大病理學(xué)家間分歧（25%重組樣本）的情況下，該模型仍保留預(yù)測(cè)能力（AUC=0.66,P=0.01）。通過基于AI圖像分析來預(yù)測(cè)腫瘤特征性免疫表型的表達(dá)狀態(tài)，從而替代IHC檢測(cè)，不僅有助于患者的個(gè)性化診斷，還可為患者預(yù)后評(píng)估提供依據(jù)。

2.4 基因分型及測(cè)序分析相關(guān)應(yīng)用

近期有研究表明，深度學(xué)習(xí)算法可通過組織學(xué)分級(jí)和基因分型對(duì)星形細(xì)胞瘤進(jìn)行預(yù)后預(yù)測(cè)[28]。研究者通過生存卷積神經(jīng)網(wǎng)絡(luò)（Survival Convolutional Neural Network,SCNN）算法構(gòu)建AI模型，有效識(shí)別了與星形細(xì)胞瘤中的異檸檬酸脫氫酶（isocitrate dehydrogenase,IDH）突變相關(guān)的組織學(xué)差異，并相應(yīng)預(yù)測(cè)了患者預(yù)后，其預(yù)測(cè)準(zhǔn)確性超過基于基因分型和組織學(xué)分級(jí)的最新版WHO標(biāo)準(zhǔn)。

隨著高通量測(cè)序（Next-Generation Throughput Sequencing,NGS）的到來，生物信息學(xué)面臨的主要挑戰(zhàn)是如何有效地將基因組學(xué)大數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的信息。NGS數(shù)據(jù)產(chǎn)生錯(cuò)誤的復(fù)雜性以及處理大數(shù)據(jù)的耗時(shí)性是現(xiàn)今NGS發(fā)展所面臨的主要問題。AI技術(shù)以其高效和精準(zhǔn)的數(shù)據(jù)處理能力，在生物信息學(xué)、基因組學(xué)等領(lǐng)域具有較好的潛在應(yīng)用價(jià)值。在一篇相關(guān)報(bào)道中，研究者構(gòu)建AI模型分析RNA測(cè)序數(shù)據(jù)集（RNASeq），從基因表達(dá)譜中識(shí)別生物標(biāo)志物以區(qū)分乳頭狀腎細(xì)胞癌的不同分期，根據(jù)不同的算法篩選了80個(gè)呈顯著相關(guān)性的基因，并通過細(xì)胞特征提取揭示了晚期染色體不穩(wěn)定性增加的潛在機(jī)制[29]。NGS技術(shù)產(chǎn)生的大量基因組學(xué)數(shù)據(jù)需要越來越多快速和復(fù)雜的算法，這為深度學(xué)習(xí)應(yīng)用于NGS各個(gè)領(lǐng)域并加速測(cè)序進(jìn)程提供了契機(jī)。有研究者歸納了基于不同NGS應(yīng)用領(lǐng)域可用的深度學(xué)習(xí)算法，其中應(yīng)用占比最高的是蛋白質(zhì)與調(diào)控序列領(lǐng)域，占50%；其余依次為單核苷酸多態(tài)性（Single Nucleotide Polymorphism,SNPs）（18.75%）、表觀遺傳學(xué)修飾（12.50%）、生物標(biāo)志物研究與監(jiān)測(cè)（6.25%）、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)（6.25%）和mRNA剪接變異領(lǐng)域（6.25%）[30]。

3 總結(jié)與展望

綜上所述，深度學(xué)習(xí)算法大大推動(dòng)了AI輔助病理診斷的發(fā)展。近年來，從細(xì)胞學(xué)篩查到組織病理學(xué)的診斷分類、預(yù)后判斷，再到分子病理學(xué)的基因分型、NGS領(lǐng)域等多層面的科學(xué)研究顯示，AI在病理診斷中正體現(xiàn)越來越重要的價(jià)值。然而由于醫(yī)療數(shù)據(jù)的限制以及臨床高準(zhǔn)確率的要求，AI輔助病理診斷現(xiàn)階段大多尚未能真正走出實(shí)驗(yàn)室進(jìn)入臨床應(yīng)用，仍存在較多局限。但在大數(shù)據(jù)和云計(jì)算技術(shù)的協(xié)同作用下，病理AI技術(shù)將迎來快速發(fā)展期。近期，AI輔助病理診斷有望在多方面改變我們的業(yè)態(tài)，給病理診斷帶來更多便利，從而提高病理醫(yī)師工作效率，降低漏診、誤診率[31]。計(jì)算機(jī)能發(fā)現(xiàn)人眼不易察覺的細(xì)節(jié)，學(xué)習(xí)病理圖像分子層面上的特征，進(jìn)而不斷完善病理診斷的知識(shí)體系[32]。AI不僅能用于組織學(xué)形態(tài)判斷，還可整合免疫表型、基因分型和臨床相關(guān)信息，得出一個(gè)具有綜合信息的診斷報(bào)告，為患者提供預(yù)后預(yù)測(cè)和精準(zhǔn)的藥物治療指導(dǎo)。當(dāng)然，作為一種輔助診斷技術(shù)，AI并不能替代病理學(xué)專家，而是為病理診斷帶來更多便利[31]。

從長遠(yuǎn)趨勢(shì)來看，AI技術(shù)在病理診斷中的應(yīng)用有可能為緩解病理領(lǐng)域諸多困境和挑戰(zhàn)、實(shí)現(xiàn)精準(zhǔn)醫(yī)療帶來更多契機(jī)，從而改善中國目前病理醫(yī)師缺乏、診斷水平地區(qū)差異大的局面，為構(gòu)建方便快捷的新型診斷模式奠定堅(jiān)實(shí)基礎(chǔ)?；谏疃葘W(xué)習(xí)的AI在病理診斷中的深入研究，將為新型醫(yī)療模式帶來無限可能。