化身|AI化身诊断胃癌小能手，模型敏感性高达近100% 高薪|能手|胃癌|敏感性|病理切

智东西（公众号：zhidxcom）
作者 |温淑
编辑 |漠影
智东西12月3日消息，根据国家癌症中心2019年发布的最新全国癌症统计数据报告，胃癌已成为中国致死率排名第二的癌症，仅次于肺癌。而中国人民解放军总医院、中国医学科学院肿瘤医院、国家癌症中心、北京协和医院等机构的研究人员8月27日刊发在国际权威学术期刊《Nature Communications》上的一项研究，介绍了全球首个可用于胃癌临床病理诊断的AI模型，有望帮助降低胃癌的致死率。
根据名为《深度学习在胃癌诊断中的临床应用（Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning）》的论文，该AI模型敏感性高达近100%、特异性可以达到平均80.6%，能帮助病理学家减少工作量、提升诊断准确性。
【 化身|AI化身诊断胃癌小能手，模型敏感性高达近100%】传统上，胃癌的早期诊断一般依赖解剖病理学家对病患的全扫描组织病理学图像（WSI）进行研判，即解剖病理学家利用显微镜对病人的玻璃病理切片进行观察后得出诊断。而在全世界范围内，具备丰富经验的解剖病理学家十分稀缺。这不仅导致大量胃癌患者得不到早期干预，病理学家的超负荷工作也容易导致误诊。
随着病理学成像技术的进步，目前，越来越多的病理实验室开始采用分辨率更高的数字化病理切片来代替玻璃病理切片，这为胃癌的早期诊断提供了另外一种解法：引入AI辅助诊断系统，使其对病理切片给出初步诊断意见或对医生诊断结果进行检查。前者可以帮助医生简化诊断步骤，后者则是减少误诊情况的一道“保险”。
论文链接：
https://www.nature.com/articles/s41467-020-18147-8

文章插图
▲《深度学习在胃癌诊断中的临床应用》
一、首个通过三项“考验”的AI病理诊断模型
根据论文，深度学习模型被应用于临床之前，应该通过三项“考验”。
首先，在被投入临床应用前，深度学习模型应该通过大量的测试，即在一段连续的时间内，对相当数量的、由各种品牌扫描仪所得出的数字病理切片进行“诊断”。在这一过程中，深度学习模型的敏感性应该接近100%，同时其特异性不能过度降低。
其次，AI系统应当能够协助病理学家提升诊断准确性，同时不会拉低常规报告程序的效率。为了进一步提升病理学家对AI辅助系统的信任，人们应该对模型的预测结果进行研究，以确定模型的优缺点。
另外，在系统部署前进行多中心临床试验（multicentre test）也是十分重要的。多中心临床试验指的是由多位实验者按照同一试验方案在不同地点和单位同时进行临床试验，以保证模型在不同医院里都能表现出稳定的性能。
根据论文，目前已有许多研究验证了AI工具在肺、胃、乳腺等各种器官系统中检测肿瘤的有效性，但还未有一种模型能够同时满足以上三点要求。
本项研究中，中国人民解放军总医院的研究人员致力于使AI系统能够通过这三项“考验”。
二、训练：用1500名病例的数字病理切片进行像素级癌症检测
根据论文，研究人员选用DeepLab v3架构的卷积神经网络（CNN）训练AI诊断模型，用来自1500名胃癌患者的数字病理切片作为训练样本，共有12位病理学家参与试验。在训练过程中，研究人员对数字病理切片、12位病理学家的操作过程、模型运行过程均进行了精确的设计。
1、对数字病理切片进行40倍放大及染色
研究人员用数字扫描仪（型号：KFBio KF-PRO-005）对数字病理切片进行了40倍放大处理。
1500个数字病理切片中，958个是外科标本数字病理切片，其中包含908个恶性肿瘤病理切片；另有542个是活体组织数字病理切片，其中包含102个恶性肿瘤病理切片。所有数字病理切片均为2123像素级，并进行了H&E;染色（苏木精–伊红染色，可将细胞核染成蓝色、将细胞浆染成粉红色）。

文章插图
▲对数字病理切片进行放大、染色操作
2、12位病理学家按标准操作程序对切片进行标注
研究人员开发了一个基于iPad的标注系统，并向12位参与模型训练的病理学家提供数据收集和标注的标准操作程序（SOP）。
具体来说，研究人员以第四版《消化系统肿瘤WHO分类》中的论述作为标准，训练过程中，12位病理学家用Apple Pencil圈出数字病理切片中显示为“恶性（malignant）”、“良性（benign）”、“图像质量低（poor quality）”和“可忽略（ignore）”的区域，并对这些部位进行相应标注。