跨界了！我们的游戏AI，能帮医生看片

大家好，还记得我吗？

我是绝悟，那个既能在王者荣耀里陪你练习（王者绝悟），又能在3D开放世界自由探索的游戏AI。

今天，不打游戏。

向大家展示一项新技能——看片。

当然不是普通的片，是病人的病理切片。

还记得2年前，我说过，未来我会在各个行业里发挥作用。

今天我来兑现了。

提到机器看片，先介绍一下基本情况——

目前，机器学习已经可以较好地帮助到医生。

人工标注出片子中的病灶，交给机器训练学习。只要有足够多的标注数据，机器就能精准识别。

这种方法挺通用，只要向机器提交一张新片子，机器全面“遍历”一遍，就能给出“答案”。

在面对像CT、眼底照片等面积不特别大的片子，它有较高的效率和准确率。

但，如果面对一张具有十亿像素大小的高分辨率病理图像（WSI），就是另一回事了。

因为像素过大，机器“遍历”完一张往往需要几十分钟，这限制了很多潜在的临床应用场景。

比如在大规模筛查和术中快速评测等场景下，会非常不实用。

另外，因为兴趣点区域（病变区域）往往很稀疏，工作难度可谓是——“大海捞针”。

这带来了诊断相关性弱、数据效率低下等问题。

如何又快又准地“大海捞针”呢？接下来就交给我了。

我悄悄学习了经验丰富的病理医生的工作方法：

先低倍镜扫描（观察切片环境），根据经验，出现可疑区域，高倍镜确认（做出决策），然后不停的重复高低倍镜切换的操作，最终完成全片判读并定位到关键病灶。

观察环境，做出决策，这不正是我的拿手好戏吗？

于是我开始学习病理医生看片：

Step1:学习病理知识，认知病灶，遇到病灶的时候可以认出它。

Step2:参考病理医生的做法，先通过低倍镜扫描，观察整体环境，找出最可疑和值得进一步检查的位置，然后再高倍镜扫描这个点。

Step3:看了这个地方高倍镜之后，发现不是，做个笔记，类似这样的低倍镜位置，以后就可以更快速检查通过。

Step4:再次定位其他最可疑位置，高倍镜查看该位置，重复这个过程，找到病灶为止。（当然有些切片也没有病灶）

这就有点像，我在Minecraft（3D开放世界）游戏里面做伐木任务，先在游戏世界里观察环境，然后找到森林在哪，再去采集木头。

整个流程需要思考、观察、执行、学习，并不是看到任何东西就去一顿砍。

不停地看片，不停地增加经验，我逐渐成为一个“老AI病理医生”。

这一次尝试，也成功验证了强化学习可以用来做超大尺寸全片扫描病理图像诊断。

我们的研究团队选择了“淋巴结切片转移检测”及“肺癌分型”两个全片扫描图像进行了测试，决策提效400%。

腾讯AI Lab给我取了一个代号——“绝悟RLogist”（寓意 RL（reinforcement learning）+ Pathologist（病理学家））

并发表了论文，被AAAI 2023接收，代码也已经开源。

论文链接：http://arxiv.org/abs/2212.01737

开源链接：https://github.com/tencent-ailab/RLogist

审稿人评价（长按图片可以翻译）：

在中国，每年需要处理的病理切片达到5亿片，但我国病理科医生总数不足1万人，缺口达到10万人。病理医生阅片任务繁重。

目前的病理切片诊断不仅耗时耗力，还十分依赖医生的专业能力与经验。

（在基层医院，资源的缺乏的问题，尤为严重。）

现在绝悟RLogist，还处于论文阶段。随着技术发展，我们希望它未来能真正出现在医院里，实现计算机辅助阅片。

是的，我是一个游戏AI，我希望能运用在游戏里积累的AI能力，在现实领域发挥更大作用。