浆膜腔积液细胞的 AI 判读
2022 年 9 月，优尼欧思CEO —— John Chen，担任技术负责人的《人工智能识别在浆膜腔积液脱落细胞病理诊断中的应用研究》获得国家自然科学基金资助。
本文将分享优尼欧思在脱落细胞分析领域（属于病理学）的技术积累，抛砖引玉。
1. 浆膜腔积液与肿瘤诊断
浆膜腔积液脱落细胞学检查对肿瘤早期诊断和临床疗效研判具有重要作用。恶性浆膜腔积液（主要指胸水、腹水、心包积液）绝大多数由恶性肿瘤浆膜转移所致，少数由胸腹膜间皮瘤引起。恶性浆膜腔积液是恶性肿瘤侵袭和转移的一个突出临床表现，几乎所有的恶性肿瘤均可出现恶性浆膜腔积液，肺癌、乳腺癌、肝癌、卵巢癌、胃肠道癌和淋巴瘤等是恶性浆膜腔积液常见的病因。
近年来，随着恶性肿瘤的发病率逐年上升，其中伴随浆膜腔积液的患者也在不断增多。这就要求临床对恶性浆膜腔积液做出及时而准确的诊断。 此外，肝硬化、肿瘤、结核、充血性心衰等多种病因亦可引起浆膜腔积液。因此，浆膜腔积液脱落细胞的病理学筛查具有非常重要的临床意义。
2. 浆膜腔积液脱落细胞学筛查的困难
浆膜腔积液中恶性细胞的病理学鉴定有利于肿瘤的早期发现和诊断，也是临床放疗、化疗疗效和方案调整的重要依据。但目前浆膜腔积液脱落细胞学筛查现在已经远远的难以满足临床需求。
一方面，判读对专业人员经验的要求太高，恶性浆膜腔积液特异性达 100％，但灵敏度仅 40％-60％。
另一方面，浆膜腔积液脱落细胞学检验诊断长期来是检验医学中的弱项, 而浆膜腔积液细胞学检查工作耗时长、强度大，经验性强，对检验人员的操作技术及病理基础要求较高，且由于形态学检验人员培养周期长、数量不足、水平不一，无法满足临床日益增长的浆膜腔积液细胞学检验需求.
因此，引入一种智慧筛查技术手段解决以上问题，以便最大程度的发挥浆膜腔积液脱落细胞学检测在临床肿瘤诊疗中的作用，刻不容缓。
3. AI技术与脱落细胞
利用人工智能( artificial intelligence，AI)技术，使数字技术赋能病理诊断，通过训练和学习海量确诊的病理图片，快速实现对病理图像的智能识别，在病理诊断领域呈现出非常好的应用前景。
我们的工作也表明，人工智能在组织病理诊断和影像诊断中可以有效提升诊断效率、减轻医师工作强度，具有很好的临床应用潜力。
图 1 浆膜腔积液细胞形态学人工智能诊断模型构建
预处理模块：强化图片中的特征、去除干扰因素，分割细胞
分类器：提供多种类型的 AI 模型，综合多个模型的预测给出结果
后处理模块：处理模型的预测输出、渲染图片等其他后续操作
4. 研究目标
通过AI技术手段将数字病理图像的分析诊断相关的关键特征因子细分化，决策因素可视化，并以自然语言的方式输出诊断结果，实现预测过程透明，诊断逻辑可验证，预测结果可理解，通过提出有管理的AI模型系统方法，实现AI模型的输出结果质量可控制，功能可调整，以显著提高浆膜腔积液脱落细胞AI诊断技术的透明度，可靠性和灵活性,从而解决现有AI模型在诊断预测应用中内部细节黑盒子和应用阶段功能固化的科学问题
图 2 打开人工智能模型的黑盒子，让AI指导实际诊断
1. 实现浆膜腔积液脱落细胞病理图像关键特征的自动提取与分析，与医学诊断专家合作，完成与病理诊断结果强相关的图像特征的定义描述。
图 3 通过特征数据分析建立起描述与数值区间关系
2. 实现浆膜腔积液脱落细胞病理图像AI诊断的可解释和交互能力。
图 4 类激活热力图（CAM）
3. 建立浆膜腔积液脱落细胞病理图像AI诊断技术交互式应用方法和模式。
5. 研究进展
目前为止，我们共收集1723个样本280652张细胞图像，使用迁移学习和图像增强技术分别训练了Xception、DanseNet、ResNet等分类模型，细胞分类准确率达到90.5%，其中异常细胞的准确率达到94%，是ResNet50V2在测试集上的表现结果。
图 5 ResNet50v2分类器的混淆矩阵
因为一张图片上可能存在多个不同类型的细胞，我们进一步采用MaskRCNN模型，在提升分析的粒度的同时，增加了细胞实例分割和定位功能，这种集成学习的思想，也能充分利用人工标注信息，减少对样本数量的依赖
图 6 人工标注与MaskRCNN模型预测结果比较
项目前期的研究表明，我们的数据处理和深度模型是可行的，有商业价值的。为了推进项目落地，也为了提高模型的效率，我们也正在采用YOLO类模型，解决实际图片中成百上千的细胞的定位和分类。
图 7 实际图像的预测情况
展望
- 保证国家自然基金项目顺利结题
- 推进现有成果的商业化应用