AI 在病理学上的突破，对图片染色「以假乱真」

By 超神经

场景描述：利用机器学习的方法，对病理学中的组织样本切片显微图像，进行虚拟染色，从而来避免传统染色方法的弊端。辅助医疗人员更便捷的进行诊断。

关键词：CNN，图像处理，医疗辅助

在活体组织切片观察的病理学检查中，需要对样本的极薄切片进行染色，然后用显微镜观察图像以进行病理诊断。这个问题从 AI 的角度来看，就是一个图片准确上色的问题。

在最近的一项报道中，研究人员通过机器学习的方法，对切片的虚拟染色获得了极高的准确度，基本可以代替人工的染色过程。

传统的组织样本切片染色

组织样本的显微成像是用于诊断各种疾病的基本工具，并且是病理学和生物科学的常用使用方法。

具体的操作就是取下很小一块身体组织，通过对这个样本的处理分析，以达到检查和诊断的目的。

传统的染色方法有严格的过程和操作

取出样本后，要将其切成薄片，其厚度为几个微米（百万分之一米）。这些薄的组织切片在微观尺度上包含了患者状况的信息。

而在标准光学显微镜下，未处理的切片几乎分辨没有区别。只能用染色的方法来增加辨识度，在历经多年的病理学中发展中，医生们创建了很多种组织染色方法。

但组织标本的传统染色过程耗时而且复杂，需要有专门的实验室基础设施，化学试剂以及训练有素的技术人员。

用 AI 实现数字染色

那么 AI 是怎么进行染色的呢？

虚拟图像染色利用了机器学习的方法，通过使用之前染色的资料，用深度卷积神经网络（ CNN ）对样品的单个自发荧光图像进行上色。

在操作时，先对未染色的组织切片，先拍摄出它自发荧光下的显微图像。

然后用生成对抗网络（ GAN ）训练的 CNN ，就可以快速的将未标记的组织切自发荧光图像，转换成类似试剂染色的图像。

AI 虚拟染色的流程图

这种基于深度学习的方法，完全没有传统步骤的繁琐，通过计算机训练模型，最终输出上色后的图样，能极大的节省成本和时间。

该研究由加州大学洛杉矶分校的研究团队完成，研究成果发表在了 Nature Biomedical Engineering 杂志上。

论文地址：https://www.nature.com/articles/s41551-019-0362-y

真的有那么好吗？

那么 AI 虚拟染色的实际效果怎么样呢？

为了判断虚拟染色的效果，研究人员使用了「盲审」的判定过程。

由经过董事会认证的病理学家来进行评判，不告知是试剂染色还是 AI 虚拟染色的情况下，让他们独立的进行分辨。

最后的结论显示，在染色质量上，AI 生成的虚拟染色相比于之前的方法，产生的医学效果与之前的想比，没有显著的差异。

研究者也对一些样本，在虚拟染色之后用常规方法做了染色，从得到的图样中，可以看到 AI 的方法并不逊色。

第一列是增加对比度的图像，第二列是原始自荧光图像，第三列是 AI 虚拟染色，第四列是一种传统的方法：Masson 三色染色。针对的是肝和肺的切片样本。

这种新的方法被证实可以用在不同的染色和人体组织类型中，包括常规的唾液腺，甲状腺，肾，肝和肺的切片。

他们称，下一步需要进行大规模的随机临床研究，以验证 AI 染色图像诊断的准确性。

技术还能做到哪些？

利用 AI 染色的方法，只需要标准的荧光显微镜和简单的计算机，因此在资源有限的环境和条件下，具有变革性的优势。

该研究的领导者 Aydogan Ozcan 说到，「这项技术可能会改变临床组织病理学工作流程。因为技术的涉入，染色过程变的快速又简单，而且无需专业技术人员或先进的医学实验室。」

对于这个方法的可扩展性，他补充到，「基于 AI 的虚拟染色框架也可用在手术室中，比如快速的评估肿瘤边缘，为做手术的外科医生提供便利甚至是关键性的指导。」

此外，这个研究另一个主要影响，是有助于将整个染色过程的标准化。利用 AI 的方法，能防止技术人员和操作环境不同导致的差异性，从而避免活检的误诊或误分类问题。

超神经小百科

分离超平面 Separating Hyperplane

分离超平面是指将两个不相交的凸集分割成两部分的一个平面。

在数学中，超平面（ Hyperplane ）是 n 维欧氏空间中余维度等于 1 的线性子空间。

对于低维度，也即是平面中的直线、三维空间中的平面。