乳腺癌是世界上最常见的癌症，也是全球癌症致死的第二大死亡原因。其最重要的检查是组织病理学诊断，这对于指导后期治疗和评估预后有重要价值。随着对癌症的深入研究和个体化治疗的兴起，临床对癌症的诊断的精确度提出了更高的要求。
而人工智能 (AI) 的进步以及数字病理诊断技术的应用，促进了乳腺肿瘤检测的准确性的条，为肿瘤的病理分类和评估预后提供了更加有效的方法。
近期，英国诺丁汉大学医院组织病理学系的 Emad A. Rakha 对人工智能（AI）的数字病理诊断技术在辅助诊断乳腺癌中的应用作了综合阐述，论文于 2019 年 10 月发表于 The Breast 上。
1
背景
现代医学针对乳腺癌，无论是制定个体化治疗方案还是预测患者的生存期，都是基于病理切片诊断对肿瘤的分期和分级进行的。而病理结果来自病理科医师的诊断经验，准确的诊断结果伴随着较长的耗时。
最新的人工智能 (AI) 技术主要应用于分析病理切片，用于诊断、评估预后、和预测其他临床相关的问题（如提高诊断工作流程的效率）。
数字病理诊断技术是应用计算机图像分析技术来对病理切片进行扫描和分析，对照事先存储的病理诊断数据，为新的病理图片提供最接近的诊断结果。
2
数字病理学
数字病理学是使用幻灯片扫描仪将组织病理学图片转换为数字图像并对这些数字图像进行分析的过程。
数字病理学始于上世纪 60 年代中期，初期，数字病理学是对组织病理图片进行部分区域数字化转换后，通过扫描图像来识别不同类型细胞的存在。
全幻灯片成像 (WSI) 技术的出现，使得组织病理图片可以整体数字化转换，并以与光学显微镜相当的分辨率进行检查。经过几十年的发展，这些技术已逐渐从基础研究发展到了临床实践应用的边缘。
1992 年，一项早期的大规模数字病理学和常规显微镜诊断各类肿瘤对比研究表明，应用全幻灯片成像 (WSI) 技术的数字病理学诊断结果与 16 位病理医师的诊断结果几乎相同。
之后，更多的研究结果显示，乳腺癌专科病理医师经过简单的数字病理技术培训后，使用数字病理技术诊断获得的结果与医师在镜下诊断的结果相同率达到了 98.8%。
2016 年，西班牙的格拉纳达大学医院系统对初级组织病理学诊断采用了完全数字化工作流程。
数字病理诊断的优势在于提高病理诊断的准确性和效率，但是这受到病理医师的培训程度和诊断流程有直接影响。
3
机器在学习
人工智能是一个广泛的研究领域，旨在设计模拟人类智能的计算机系统。机器学习 (ML) 是人工智能的一个子领域，它开发的算法允许计算机在不重新编程的情况下适应新的问题。
也就是说，机器学习系统直接从数据「学习」如何解决问题。这是通过应用统计方法从一组提供的数据中识别模式来实现的，而无需人工指导。
随着计算能力的增强，算法变得更加复杂，深度学习技术利用数百万个类神经元单元来学习图像像素值及其语义标签之间的复杂关系，这些特征是从数据中自动学习的。
根据网络结构的不同，深度学习算法可以细分为不同的类别。
具有分层模式检测器的卷积神经网络 (CNN) 在图像识别问题上取得了巨大的成功。基于 CNN 的方法已经用于图像的检测和分割任务，以识别和量化细胞。最后，递归神经网络 (RNN) 使用自连接模式检测器进行序列处理。
机器学习 (ML) 已被广泛用于各种组织病理学预测。广义地说，机器学习 (ML) 的类型可以分为向人类学习和识别未知信号。
对于前者，机器从人类注释的数据集学习一个模型，目的是帮助病理学家在临床工作流程中完成他们的诊断任务。
对于后者，机器可以根据相同结果的输入数据来建立模型。这些模型可以为药物发现提供更准确的预测和识别。
4
结论
目前，人工智能对乳腺癌的辅助诊断便是基于上述的理论，总结现有的病理医师对乳腺癌分期和分级的诊断数据，建立模型之后来实现乳腺癌的数字化诊断。
这项技术已经在替代传统的 HE 染色和免疫组化方面有了较多的研究成果，但是这项技术也面临着许多挑战，例如输入数据和图像的质量，直接影响诊断的精确程度；基于算法程序模型的诊断和评估缺乏临床标准，难以获得医师的信任等。
但是，随着技术的进步，将会出现更大、更丰富的数据库，从而能够开发出越来越精确的模型。数字病理学也会获得更多发展，从而造福人类！
未来，或许我们每个人都会有一个电子家庭医生！
编辑：刘海洋、贾俊君
题图：站酷海洛
