EBiomedicine：深度卷积神经网络能识别混杂数字化病理图像

2018年1月，来自美国威尔康奈尔医学院和耶鲁大学的研究人员在EBioMedicine上发表了题为“Deep Convolutional Neural Networks Enable Discrimination of Heterogeneous Digital Pathology Images”的原创性论文，文章主要展示了深度学习方法在识别癌症亚型方面的能力，以及谷歌Inceptions在识别混杂数字化病理图像上的稳健性。

由经验丰富的病理学家对显微镜下组织病理学切片进行评估是目前建立诊断和鉴别不同癌症亚型的标准程序。然而这种纯视觉评估通常比较缓慢，并且在诊断某些肿瘤病例的分型和分期中存在偏差和难以被重复。最近的一些研究尝试使用机器学习方法来确定恶性肿瘤的亚型。这些计算方法可以与其他临床评估方法相补充，以提高病理学家对疾病诊断的准确性。其中，深度学习方法正在成为医学成像领域的领先机器学习工具，并被广泛用于图像分割、分类和预测等各种任务。

在本项研究中，研究人员利用基于卷积神经网络（CNN）的几种计算方法建立了一个叫做CNN_Smoothie的独立管道，其包括了一个基本的CNN架构，两个最先进的算法Inception和ResNet以及三个谷歌Inceptions训练策略。其中训练策略又包含了针对神经网络的从头开始训练、只针对最后一层的训练，以及利用两个预先训练的Google Inception体系结构Inception-V1和-V3对网络全层数据的参数进行微调式训练。为了证明管道的实用性，研究人员将管道分别用于正常组织和癌症组织之间、两种肺癌亚型之间、四种膀胱癌生物标志物和五种乳腺癌生物标志物之间的区分以及膀胱癌和乳腺癌的免疫组织化学染色的评分判读。

研究结果显示，在区分癌症组织、肿瘤分型、生物标志物和免疫组化评分等方面，CNN_Smoothie管道的准确度分别达到了100％，92％，95％和69％。其中，基于GoogleInception-V1和-V3预训练的微调式训练策略较最后一层和从头开始训练策略在混杂性病理图像的区分上表现更为优异（表1）。此外研究还发现，虽然不同图像的颜色空间具有不同的分布，但CNN_Smoothie管道依然可以成功识别和记录肿瘤变异并对其进行一致且稳健的区分（图1）。

表1、不同训练策略的卷积神经网络对混杂性病理图片的区分准确率比较

图1、CNN_Smoothie管道对肿瘤异质性的稳定性区分

总之，该研究评估了基于深度学习的卷积神经网络在自动识别癌症组织、区分肿瘤亚型和相关标记物以及免疫组化染色评分判读中的作用，并发现卷积神经网络的准确性和所用数据集的大小，复杂性，算法架构和噪声等因素相关。由于此管道不需要任何关于图像颜色空间方面的知识贮备或来自用户的参数化输入，这将帮助那些没有优化或数学工具方面知识的病理学家和医疗技术人员更好的进行数字化病理图片的诊断分析。