本文获“奇点网”授权转载，版权归“奇点网”所有，任何转载需获得“奇点网”授权。

来了！近150年病理学的最大突破，首个临床级别的AI系统终于来了！

今日，纪念斯隆·凯特琳癌症研究中心（MSKCC）研究者在《自然·医学》发文[1]，数据科学家Thomas Fuchs团队公布基于15000名癌症患者的4万余张数字化病理切片的新AI系统，对前列腺癌、基底细胞癌和腋窝淋巴结转移乳腺癌的测试曲线下面积（AUC）均高于0.98。

厉害的是，该系统在训练过程中使用的是来自常规病理报告的数据，并未经过事先处理，也不需病理专家对切片手动标注，因而可以纳入前所未有的庞大数据，对临床上形态多样的肿瘤病理也有了更高的识别度。

据研究者估计，如果该系统投入临床使用，在保证100%灵敏度的条件下，能够减少病理医生65-75%的无谓读片工作，大大加速诊疗进程！

真是厉害了！

通讯作者Thomas Fuchs

图源 | MSKCC

病理医生读片、诊断可以说是现代癌症诊疗的基础。然而一个世纪以来，病理医生们的工作模式却没有太大的进展[2,3]，直到近年才出现了数字化病理切片以及相应人工智能技术。

但是，这并不意味着病理诊断走进数字时代。

有个段子讲，人工智能的背后都是人工。看似美好的病理AI系统，背后也是精挑细选的清晰切片，顶级病理专家们一个像素一个像素手动标注。

病理专家有多少？手动标注的工作量又是多大？有限的训练素材大大限制了AI的能力。

而且，临床上肿瘤的形态千变万化，病理切片制备过程也可能出错，切片状态不可能永远完美，AI真上了临床能有多大用武之地也是个问号。

干脆野一点儿，直接把真实世界数据丢给AI行吗？

AI将大大加速临床诊疗进程

MSKCC的研究者们就这么干了。他们调用了3个数据集，共有来自44个国家和地区的15187名癌症患者的44732个病理切片信息，包括24859个前列腺癌切片、9962个基底细胞癌切片、9894个淋巴结转移乳腺癌切片，与任何一个同类研究相比数据量都要大上一级不止。

当然，这些切片完全没有经过处理，病理报告里是什么样就原样拿来用，当然也包括了一些常见的技术问题，比如说气泡、不规则的形状、固定得不好、组织不平整等等，也有数字化过程导致的图像模糊等。

训练方法

选的癌种也有说法。

前列腺癌是名列前茅的杀手癌，而且多个研究表明，前列腺癌病理学观察比较难，病变所占面积常＜1%，不同的人或者同个人不同次都可能产生不同结果[4]，精准识片意义很大；基底细胞癌虽然并不太致命，但它是美国最常见的癌症，利用AI大批量筛查降低病理医生的工作量、加速临床效率也是很重要的。

新的AI系统基于多实例学习（MIL）和递归神经网络（RNN），以弱监督学习的方式在不同大小的数据集中进行了训练。根据研究者的观察，一般需要至少1万张切片才能够获得良好的性能，而且更大的数据集仍旧能够带来进一步的改善。

有趣的是，在不同的分辨率下，AI对不同癌种的识别敏感性是不同的，缺陷也是互补的。比如说前列腺癌的20x数据假阴性表现更好，5x数据假阳性表现更好。

AI识别的阳性、阴性和可疑切片

综合多尺度结果，前列腺癌、基底细胞癌和淋巴结转移乳腺癌三个癌种的AUC分别达到0.991、0.989、0.965！

研究者也对产生的识别误差进行了分析，主要原因还是在于扫描的切片与病理报告中的诊断并不完全一致、切片本身的质量问题等。经过矫正之后，最终的AUC均可以达到0.98以上。

识别误差的类型和数量

另外，研究者认为新的扫描技术也可能带来误差，比如不同的分辨率和色彩。这类问题可以通过混合数据训练或针对新设备微调参数解决。

新AI也在来自MSKCC的12000个切片数据集中进行了验证，最终结果AUC下降了6%。不过下降的误差主要体现在对新数据的特异性上，敏感性依旧很高。

研究者还对比了新AI和强监督学习的AI模型，其中包括CAMELYON16、拥有目前最大注释数据集的AI模型。研究者运行原数据得出的AUC为0.930，与原论文中的0.925相近[5]。但是套用新AI的数据集之后，AUC只有0.727，下降了20%以上。

将新AI与CAMELYON16的数据集交叉训练，均是新AI表现更佳。可见纵使精细标注的切片也不足以应对临床上复杂的情况，数据量大才是王道。

交叉训练结果均为新AI更佳

在这种新AI的帮助下，病理医生的工作量将大大减少。

医生们再也不需要大海捞针一般从病理切片中寻找极其微小的病变，只要等待电脑筛查、报告可疑结果就能够快速完成诊断。特别是针对前列腺癌，医生能够足足少看75%切片！

论文通讯作者Fuchs博士是癌症AI诊疗公司Paige的联合创始人，据悉该公司已有相关产品报批FDA突破性设备认证。希望我们能够赶快在临床上见到这种新AI 大展身手。

参考资料：

[1]https://www.nature.com/articles/s41591-019-0508-1

[2]Ball, C. S. The early history of the compound microscope. Bios 37, 51–60 (1966).

[3] Hajdu, S. I. Microscopic contributions of pioneer pathologists. Ann. Clin. Lab. Sci. 41, 201–206 (2011).

[4]Ozdamar, S. O. et al. Intraobserver and interobserver reproducibility of WHO and Gleason histologic grading systems in prostatic adenocarcinomas. Int. Urol. Nephrol. 28, 73–77 (1996).

[5]Wang, D., Khosla, A., Gargeya, R., Irshad, H. & Beck, A. H. Deep learning for identifying metastatic breast cancer. Preprint at https://arxiv.org/abs/1606.05718 (2016).

[6]https://www.tmcnet.com/usubmit/-paige-announces-worlds-first-clinical-grade-artificial-intelligence-/2019/07/15/8986238.htm

[7]https://www.mskcc.org/blog/researchers-report-milestone-use-artificial-intelligence-pathology

如果篇首注明了授权来源，任何转载需获得来源方的许可！如果篇首未特别注明出处，本文版权属于 X-MOL （ x-mol.com ）， 未经许可，谢绝转载！