影像病理诊断新利器：Imaging+AI

人工智能与医疗影像的结合正在发生

人工智能与医疗影像的结合正在发生。微软、Google、百度、腾讯、阿里巴巴等各大互联网公司已经开始纷纷征战图像识别、文本识别的沙场，新技术型公司如商汤科技、格林深瞳、深图智服等也纷纷加入产品图像识别、人脸图像识别的大军。但提到医疗领域的图像识别，进入到公众视线的产品或公司就没有丰富了。

实时上，国内外有很多团队、公司正在研究人工智能与图像识别的结合，国外有用深度学习技术帮助放射科医生分析医疗影像的Enlitic、开发全新方式透视人体的新型医学成像设备的Butterfly Network、计算机辅助钼靶诊断的VisExcell、云计算辅助肺癌筛查的VoxelCloud、图像分析诊断阿尔兹海默氏病的Brainreader等。国内各公司也不甘落后，有将人工智能与病理图片诊断结合的Deepcare、分析影像数据做决策支持的推想科技、开发云计算辅助诊断平台的图玛森维等。

在医疗影像领域，病理图片向来是医疗领域的“金标准”，病理诊断是对疾病下最终判断的环节。MRI、CT、B超等影像判读的正确与否要参考病理诊断的结果。那么人工智能与病理图片识别结合能擦出什么样的火花呢？

人工智能与病理图片识别的应用

贝斯以色列女执事医学中心（ BIDMC ）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到 92%，虽然还是低于人类病理学家 96% 的准确率，但当这套技术与病理学家的分析结合在一起时，它的诊断准确率可以高达 99.5%，国内的DeepCare对于乳腺癌细胞识别的准确率也达到了92%。虽然人工智能与病理图片识别已经有非常不错的结果，但从算法和数据来看，人工智能与病理图片识别的结合虽然已经走出实验室，但离商业化还有很长路要走，目前各研究成果均未在医疗机构的大规模应用。

病理医生是如何读片的？

目前关于人脑是怎样认知图像的，心理学上认为模式和识别能力是关键。无论是模板匹配模式、原型匹配模式、特征分析模式、还是傅里叶模式等，都认为需要将当前看到的图像与记忆中有关的‘’参照物“（模板、原型、特征等）进行对比。那么一个病理学家是如何读片的呢？简单来说就是面对一张病理切片，当它出现在显微镜下，病理医生眼中时，病理医生快速搜索大脑中的典型细胞病理学形态，做出判断。病理医生的阅片经验可以看成他大脑中对每一个显微镜下图像的记忆存储，也就是说病理医生阅片能力与阅片经验（大脑中储存的细胞病理形态）的丰富与否高度相关。

一个病理医生一生能读多少病理切片？

一位病理医生告诉笔者，看一张病理图片的时间可能几分钟就够也可能看一天也看不完。按看一张片2-3分钟，每天工作8小时来算，一位病理医生每天最多看150张病理图片，1年37500张病理图片，40年也只能看到150万张。以目前的技术，例如用深度神经网络来识别病理图片，不考虑并行处理和计算机加速，计算机识别一张病理切片所需时间不超过40秒，而同时计算机发展的速度是惊人的。也就是说在不远的将来，如果用已训练好的计算机来识别这150万张病理图片的信息，其效率将大大超过人类。

人工智能与人读片的对比

在刚结束的病理学年会上，华西医院的病理研究室主任步宏教授做报告认为人工读片会有：主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题。而数字病理计算机的优势在于能自动分析、分割、检测感兴趣区域、能够定量地评估病变区域的变异程度，结果具有可重复性。

简单的对人工读片与人工智能读片做个对比：

人工智能如何辅助医生读片？

对比人工与人工智能发现，二者存在很高的互补性，如果将人工智能与人度读片结合在一起会怎样？

步宏认为人工智能与人工结合分四个阶段：基础图像测量与文献辅助、图像识别&定量分析、数字化诊断新指标、大数据个性化诊断分析。

随着信息化的发展，人与计算机技术结合日益紧密。计算机辅助诊断乳腺癌的钼靶检查是美国做乳腺癌筛查的常用检查方式，放射科医师拿到医师执照后还需要再多做一年的训练，经900个案例以上的钼靶的成片训练，才能成为专业的乳腺钼靶专业技师。同病理切片的一样，钼靶成片图像大，医生在读片时容易看漏。为了减少看漏事件发生的概率，他们将CAD（计算机辅助诊断）与PACS系统结合，医生先读片下诊断，CAD再读一遍片子，确保没有漏诊。在2008年新英格兰医学杂志有一篇文章报道（Fiona G, NEW ENGL J MED , 2008），由某影像学程序辅助1名医师对乳腺钼靶摄片进行评估，其乳腺癌检出效率已经能够不劣于（non-inferior）由第2位医生复核后的水平，而早些年的数据则表明，复核可以显著提高1名医生复读的准确率（Anttinen I, Clin Radiol, 1993）。

人工智能病理读片可以运营电子扫描技术，将每一张确诊的病理切片的显微镜下的成像图片制作成电子图像供计算机学习，在学习足够多的病理图片后，经过人类的修正与完善，计算机就可以对新的病理切片进行判读，是否有癌变细胞、癌变类型如何等。学习到足够知识的计算机就可以在病理医生读片前提示图片中可能存在癌变的部分，提高病理医生读片的效率和准确性；在病理医生读片和做完病理诊断后，可以帮助检查是否有疏漏，并做出提醒。

但是人与人工智能结合的难点在于，机器和人接收信息的方式不同，医学中有很多规则难以标准化，难以用语言表述或落地为判断语句。如果机器能够自己作出解释，对它们的决定进行说明，使人们了然于胸；如果算法不仅能给出判断结果，还能表征有意义的判断依据；如果计算也可以向人寻求帮助，可以识别自己不知道、不会做、不理解的事情，然后向人类求助，那么人与人工智能的结合特别是在医学上的应用将会越来越超乎人的想象。

人工智能与病理图片识别潜在应用市场巨大

在中国，病理医生的收入低、培养模式不健全，导致全国病理医生极度缺乏。据某三甲医院病理医生介绍，国内病理科医生注册人数为1万多，而按床位数和病理医生的配比，还有6-8万的缺口。另外病理科医生因为经验的差别，或者读片数量的差别，病理读片的准确率相差甚远。DeepCare团队曾对比研究过高年资（20年以上）比中低年资（10年以下）病理医生乳腺癌病理切片读片的准确率高30个百分点。无论是从工作量的缺口和技术水平亟待提高的角度来看，计算机辅助病理图片识别的潜在应用市场规模都非常可观。同时由于医学数据的特殊性，国外公司在开发产品和应用上可能会受到一些限制，相对而言，国内人工智能公司的机会可能更大一些。

文|DeepCare