提供支持分级诊疗虽然是国家目前大力推行的一项政策，然而大家生了病还是愿意往大医院排队挂专家号。到底高年资医生和低年资医生之间，特别是对癌症这种重大疾病的诊断上有多少差距呢？人工智能算法能够帮助医生提高疾病诊断的准确率吗？ DeepCare团队目前做了一项有趣的实验，让高年资病理医生与低年资病理医生对同一组乳腺癌淋巴转移数字病理切片进行诊断，结果显示，低年资医生与高年资医生的诊断差距达30%。同时，DeepCare还让自行开发的基于深度学习的智能算法模型对疾病进行诊断，准确率达到了92.5%。
目前，人们在生病时对医院的选择都是基于对病情的自我判断，感冒等小问题找普通医院就可以搞定，如果情况严重，大家才会去大医院挂专家门诊。为什么会有这样的不同？道理其实不难想通：大医院医疗设备更加完善、医生水平更高更值得信任，可以获得更准确高效的治疗，不会贻误病情。
而在大家的求医经历中，接触和了解最多的是临床医生。人们都觉得是临床医生做出了一系列的诊断治疗，然而，在很多重大疾病如心脑血管疾病、恶性肿瘤、癌症的筛查和治疗中，病理医生的诊断报告在指导临床治疗中起到关键作用。因此病理被称之为癌症诊断的金标准，病理医生也被称为医生中的医生。由于病理诊断在重大疾病的临床治疗中起着决定性的作用，如何提高病理医生的诊断准确率就成为不可忽视的关键问题。
国内一家将人工智能技术用于医疗影像筛查和诊断的科技公司DeepCare，在近日进行了一项针对高年资和低年资病理医生的诊断准确率比较实验。实验选取了70张乳腺癌在淋巴结中转移的组织病理切片，其中包含30张正常切片以及40张包含癌症转移的切片。参加实验的医生们需要对切片中是否包含癌症的转移做出诊断，如果存在癌症转移，则还需要标出切片中确切的癌症转移区域。
团队邀请了北京某特级三甲医院具有40年以上经验的高年资医生，以及北京某三甲医院和某三线城市三甲医院具有20年及10年经验的低年资医生，进行为期一周的癌症标定实验。
实验结果显示，30张正常切片，所有医生全都判断正确，而其中40张癌症切片中，高年资医生（40年以上经验）的诊断敏感度为97.5%，拥有20年经验的医生诊断敏感度为67.5%，拥有10年经验的医生诊断敏感度为57.5%。
敏感性（Sensitivity，也称为真阳性率）是指实际为阳性的样本中，判断为阳性的比例（例如真正有生病的人中，被医院判断为有生病者的比例），计算方式是真阳性除以真阳性+伪阴性（实际为阳性，但判断为阴性）的比值。
由此可以看出，高年资和低年资医生在判定中确实存在不小的差距，更凸显了我国医疗改革的困难：如何才能解决我国医疗资源总量不足、分布不合理、优质资源匮乏的问题？我们都知道，培养病理医生不易，我国著名病理学教授卞修武在一次病理学学术会议上提到过，“在国内，由于对病理诊断不够重视，病理医生是一项‘高风险、低收入’的职业，很多医学生选择了临床科学，很多医院的病理科严重缺乏优秀的病理医生。”
为了帮助病理医生提高诊断准确率、节省看片时间，DeepCare团队一直积极地探索人工智能深度学习算法在病理图像中的运用。此次也将开发的算法运用在该项实验中，与医生诊断的结果进行对比。令人惊喜的是，人工智能算法判定的敏感性达到了92.5%。
DeepCare结合了深度学习和传统的图像分析技术。首先，通过阈值处理法，将病理切片进行自动化的分割，自动找到切片中的组织部分。由于整张病理切片尺寸非常大，需要进行切分，然后对切分生成的图像小块（patch）使用卷积神经网络（CNN）进行分类，得到每一个图像小块中包含癌症的概率。最后，对上一步的分类结果进行后处理，对于每一个可能的癌症区域提取30维的基于统计和形态学特征，用来判断该区域是否包含癌症的转移。具体的算法流程如下图所示:
算法流程图
算法诊断过程中出现的难点
（1）病理切片图像太大。首先，组织病理数字切片是通过40倍放大的扫描仪获取。一张数字切片分辨率非常大，平均尺寸在10万pixel x 20万pixel以上，大小可以达到1~2GB，相当于一部90分钟的高清电影那么大。DeepCare团队首先对整张数字切片使用了基于多阈值的图像分割算法进行处理，将病理切片中的背景区域去除，只留下切片中的组织区域，降低了后期82%以上的运算时间。
单张全尺寸病理切片
（2）癌细胞形态无明显特征。由于癌症区域的细胞形态上没有十分明显的特征，它是各式各样的，这就导致了传统算法在处理这样的图像时，无论是敏感性还是特异性，都表现得不尽人意。而深度学习技术，可以容纳大规模的参数，可提取到图像中局部信息之间的联系，在图像分类和检测问题上都有不错的表现。
由于病理切片图像里包含大量的信息，要在有限时间内看完任务内的所有片子，据悉，普通三甲医院的病理医生每天要看100到200张片子。算法可快速复制、不知疲倦，而人脑学习培养慢，同时会受到情绪等因素影响。富有经验的医生看一张片子也需要5分钟左右，而算法处理一张片子仅需1分钟左右。
另外，医生想要专精于某个病种，可是目前医院的工作安排无法满足这一点 。这就要求医生具备各种复杂的学科知识和丰富的临床经验，而培养一个能独当一面的病理医生至少需要10年的严格训练。人工智能和医生配合可以快速弥补病理医生数量缺口，提高基层医生的诊断能力。
DeepCare团队成员在实验结束后也表示，本次实验仍然有些地方有待提高：
（1）目前来讲，该算法模型只针对乳腺癌，并不适用于所有癌症。DeepCare希望可以和医院合作，共同开发适用于其他癌症的算法模型 。
（2）想要开发出高精准的算法模型，就必须要有精准的标注数据，而精准的标注数据需要更多高年资高水平的病理医生来做标注工作。DeepCare未来还需跟更多大医院的高年资医生进行合作。
人工智能算法应用于病理图像的识别和诊断还有很大的探索空间，我们了解到，DeepCare团队下一步将在提高敏感性和特异性、分亚型的算法上做更细致更深入的研究，并展开更大型和更标准的临床试验。虽然未来还有很多不确定性，但我们依旧相信人工智能能给病理学领域带来更积极更深远的影响。
DeepCare是一家将人工智能技术用于医疗影像筛查和诊断的科技公司，他们专注于研发医疗影像检测、识别、筛查和分析技术，通过融合机器视觉、深度学习和大数据挖掘技术，致力将快捷、准确、低费的医学影像识别技术提供给广大医疗机构和医疗器械厂商。联合创始人、CEO刘圣毕业于哈佛大学商学院，前麦肯锡资深咨询师，硅谷连续创业者；联合创始人、CTO丁鹏博士毕业于美国达特茅斯大学，有多年人工智能的研究背景。团队其他成员分别是医学影像和人工智能等领域专家。今年6月，DeepCare获得了来自峰瑞资本的600万人民币天使轮融资，目前估值5000万人民币。
渝公网安备 50011202502165号
