AICODER大前端培训

AICODER-IT培训专家,前端培训基地,前端培训,全栈培训,大学生IT培训基地,线上IT课程免费自学,线下培训项目实战,实习,html5培训实习-AICODE程序员

在线咨询

腾讯AI Lab研发“智能显微镜” 抢先布局病理分析领域

谦太祥和 发布于: 2019年7月12日 10时42分25秒 阅读0次

  11 月 1 日,南京 - 腾讯 AI Lab 今日在南京举办的“腾讯全球合作伙伴大会”上宣布,其 AI+ 医疗领域研究已抢先从影像筛查进入病理分析阶段,相关的“智能显微镜”项目已在研发测试阶段。

  智能显微镜融入了人工智能(AI)的视觉、语音、自然语言处理技术,及增强现实(AR)技术,医生轻松输入语音指令,AI 就能自动识别、检测、定量计算和生成报告,并将检测结果实时显示到医生所看目镜中,及时提醒又不打断医生阅片流程,能提高医生的诊断效率和准确度。

  一般诊断流程包括医疗影像筛查、病理分析、规划治疗和术后康复与追踪等四大环节。腾讯的目标,是打造一个能覆盖诊疗全流程的 AI 产品。在医疗影像筛查上,“腾讯觅影”已取得可喜进展,目前上线全国 100 余家三甲医院,辅助医生阅读影像超 1 亿张,服务超百万患者,提示高风险病变 15 万例。现在进入病理分析阶段,为公司打造全栈式 AI+ 医疗解决方案提供了坚实基础。

  以下介绍了病理 AI 技术、“智能显微镜”研究项目背景,及“腾讯觅影”在医疗影像方面的可喜进展,由腾讯 AI Lab AI+ 医疗专家姚建华博士与 AI+ 病理专家韩骁博士分享。因篇幅需要,全文有删节。

  第一部分:病理 AI 分析与智能显微镜

  1、常见病理诊断工具简介

  医生病理诊断的主要方式是观察切片,将其放大 40 到 400 倍后,观察细胞形态和组织结构作出诊断。病理显微镜和数字病理扫描仪是医生最常用的工具。

  显微镜有三百多年历史,医生能熟练使用,价格也较低。但其局限性有:一是视野小,医生从目镜中每次只能看到切片上很小的局部,要切换多个视野,并将其关联才能得到整体诊断;二是图像没有数字化,不能用 AI 算法读取。

  2、智能显微镜及测试功能简介

  智能显微镜突破了传统显微镜的局限,以前是被动使用,现在转为主动辅助医师,如通过计算机视觉去帮助医生,从简单但繁琐的细胞计量,到困难且复杂的癌症类型辨识及区域精准划分。同时利用语音识别让医生与智能显微镜进行流畅人机交互。最后通过自然语言处理技术协助最后的病理报告生成。

  读片时,医生只需给出语音指令,AI 就能自动阅片、自动采集图像,并辅助医生诊断;医生阅片完成后,给出“生成报告”指令,智能显微镜就能将显微镜截图和诊断结果填入报告模板,自动生成报告,让医生复核结果和发布报告,使原本最费事的报告生成环节变得又快又省心。

智能显微镜技术模块介绍

  3、病理 AI 分析是未来的研究发展方向

  病理分析是诊断、预后分析和指导癌症治疗的黄金标准。在中国,2017 年需约 12 万名病理医生,但经过训练的病理医生只有不到 2 万名,这个差距还在逐年增大,因而病理科医生人员配备紧缺,任务繁重。将病理切片数字化,并用 AI 算法辅助分析,有助于缓解病理医生不足的状况,是 AI+ 医疗的未来趋势。此外,基础病理 AI 的研究更能在三方面推进病理 AI 的能力:

  1. 基于 AI 的病理诊断模型:可提高诊断效率,提高微小病变和疑难病例识别能力;

  2. 基于 AI 的病理预后预测模型:如预测五年总生存率、五年无疾病生存率和五年无远处转移生存率;

  3. 病理组学:从病理数据中提取特征,定量化分析及挖掘病理特征和诊疗的关联性。

  第一种让医生“如虎添翼”,做得更快更好,后两种让医生“冲云破雾”,突破原有难关。

  演示一:有丝分裂细胞检测

  有丝分裂细胞计数测量癌细胞的活跃度,是癌症诊断分级的重要指标。

  在传统显微镜下,这是非常繁琐的过程——医生要在高倍镜下观察 10 个不同区域,准确识别出有丝分裂细胞,然后统计其个数。在智能显微镜下,医生移动到目标区域时,只需给出“有丝分裂”这个简单的语音指令,AI 算法能自动识别、检测和统计该区域结果,马上显示到医生所看的目镜视野中。一个区域完成后,医生可移动到新视野,重复语音指令,AI 会更新结果。

  演示二:免疫组化定量分析——以 Ki-67 染色切片为例

  免疫组化是应用抗原-抗体结合的原理,在病理切片上通过特殊染色来测量组织中特定蛋白的表现,能在分子或基因层面提供更精准的癌症诊断。

  以 Ki-67 染色切片为例,它能帮助判断癌症细胞的增殖指数。在传统显微镜下,病理医生需数出染成棕色(阳性)的癌细胞个数及癌细胞在切片上的占比。而在智能显微镜下,医生只需给出“Ki-67”这一语音指令,AI 就自动完成细胞计数和占比计算。

  演示三:癌症区域监测——以淋巴结切片为例

  淋巴结是癌症扩散或转移常见的途径。医生可检查癌症区域附近的淋巴结情况,来确认癌症分期(TNM 分期),再决定之后的治疗方案。

  在传统显微镜下,使用低倍镜时,医生容易漏掉小的癌症区域,而使用高倍镜则非常耗时。在智能显微镜下,医生只需给出“区域检测”语音指令,AI 会识别可疑癌症区域,精确估计该区域大小,实时将结果显示到医生所看的目镜视野中,避免遗漏。

  演示四:辅助诊断流程——以息肉分类为例

  智能显微镜还能辅助医生完成一个整体诊断流程,并自动生成诊断报告。

  在结直肠镜筛查时,发现息肉一般要切下来做病理诊断,确定其良恶性和具体病变类别(腺瘤、腺癌等)。若是良性只需随访,恶性需及时做手术。

  使用人工诊断筛查时,有经验和年轻的医生间可能会结果差异较大,诊断结果主观性强。而经过大量专家数据训练的 AI,可提高诊断一致性。在智能显微镜下,医生只需给出“息肉分类”语音指令,AI 就能自动阅片、自动采集图像,并辅助医生诊断。医生阅片完成后,给出“生成报告”指令,AI 自动生成报告,供医生复核结果和发布报告。

  第二部分:“腾讯觅影”与医疗影像筛查案例

  一般诊断流程包括医疗影像筛查、病理分析、规划治疗和术后康复与追踪等四大环节。在“医学影像筛查”领域,腾讯的 AI 医学解决方案专家——“腾讯觅影”,取得了良好进展。它利用 AI 医学影像分析辅助医生筛查食管癌、肺结节、糖尿病视网膜病变、结直肠肿瘤、乳腺癌、宫颈癌等疾病,以及利用 AI 辅诊引擎辅助医生对 700 多种疾病风险进行识别和预测。

腾讯医疗 AI 产品落地情况

  腾讯觅影已与国内 100 多家顶级三甲医院达成合作,通过共建人工智能联合医学实验室的形式,推进 AI 在医疗领域的研究和应用。截至 2018 年 10 月,它已上线全国 100 余家三甲医院,累计辅助医生阅读医学影像超 1 亿张,服务超百万患者,提示高风险病变 15 万例。同时,在辅助医生进行病例分析方面,就单家医院来看,已辅助医生累计分析门诊病例 700 万份,提示高风险 17 万次,有效辅助临床医生提升诊断准确率和效率。

  1 、AI 预问诊辅助诊断系统

  这个系统先利用医学书籍文献和过往病历创建医学知识图谱,建造知识推理模型和深度学习模型,把患者病史和病情与知识图谱连接起来,得出可能疾病判断,并给出结构化诊断报告和推荐治疗方案。目前预问诊辅助诊断系统已经可以覆盖大约 700 种常见病(WHO30000 种疾病),这个辅诊系统根据病情病史的输入,给出患某种疾病的可能性。现有系统的准确率可以达到 Top3 病种 93%,Top5 病种可达 96%。

  2、医学影像案例 - 结直肠癌检测筛查

  结直肠癌是 5 大恶性肿瘤之一,每年新发病例超过 120 万,而且发病率逐年升高。和大多数癌症一样,早期诊断治疗很关键,据统计早期结直肠癌的术后 5 年生存率可达 90%,局部进展期也可达 70%,但到了晚期就不足 10%。因此世界卫生组织建议 50 岁以后人群每 5 年做一次筛查。结直肠癌的主要检查方式是消化道内窥镜。

结直肠癌筛查

  腾讯 AI Lab 的算法基于深度学习,将图像分割成小块,在每块上计算息肉的可能性,然后综合起来定位息肉。另外还训练分类器来区分腺癌和腺瘤。AI 算法可以实现在医生检查过程中的实时视频流诊断。临床使用中,当医生在使用内窥镜的时候,AI 算法在后台实时检测息肉,并提醒医生注意。技术特点是实时出结果,需速度快,对算法要求高。其中息肉定位的准确率可达 96.93%、区分腺癌 97.2%。

结直肠癌筛查算法

  3、医学影像案例 - 乳腺癌早期筛查

  乳腺癌是女性最常见的恶性肿瘤,其发病率逐年上升,这种趋势在中国更为严重。2012 年我国乳腺癌的发病率仅占全球的 11.2%,到了 2030 年将增加到 29.8%。乳腺癌检测的一个主要方式是乳腺钼靶。这是一种利用X光的检测方式,简便而且对患者无创。因为是X光投影,组织相互重叠,在钼靶上区分正常腺体和疑似病灶需要丰富的经验。

  腾讯 AI Lab 的算法框架是:一个多视窗的深度学习网络,将左右乳腺的 CC 和 MLO 投影同时输入网络。训练了三个不同的模型来分别做肿块检测,钙化检测和良恶性判断。还设计了难例挖掘和算法迭代流程以提高性能。医生检查算法结果并反馈给模型进行进一步优化。在最新产品里,在每张 0.2 个假阳下,检测钙化的敏感度是 99%,恶性肿块敏感度 90%,良恶性敏感度和特异度分别是 87% 和 96%,已达到或超过普通医生的水平。

AICODER编辑推荐:


热点分享


报名就业班送基础班

最近分享