AI 在病理学上的突破,对图片染色「以假乱真」

By 超神经

场景描述:利用机器学习的方法,对病理学中的组织样本切片显微图像,进行虚拟染色,从而来避免传统染色方法的弊端。辅助医疗人员更便捷的进行诊断。

关键词:CNN,图像处理,医疗辅助

医学上的诊断,有很多是通过图像观察的过程。而提到图像处理,那 AI 就大有用武之地。

在活体组织切片观察的病理学检查中,需要对样本的极薄切片进行染色,然后用显微镜观察图像以进行病理诊断。这个问题从 AI 的角度来看,就是一个图片准确上色的问题。

在最近的一项报道中,研究人员通过机器学习的方法,对切片的虚拟染色获得了极高的准确度,基本可以代替人工的染色过程。

传统的组织样本切片染色

组织样本的显微成像是用于诊断各种疾病的基本工具,并且是病理学和生物科学的主力。

具体的操作就是取下很小一块身体组织,通过对这个样本的处理分析,以达到检查和诊断的目的。

传统的染色方法有严格的过程和操作

取出样本后,要将其切成薄片,其厚度为几个微米(百万分之一米)。这些薄的组织切片在微观尺度上包含了患者状况的信息。

而在标准光学显微镜下,未处理的切片几乎分辨没有区别。只能用染色的方法来增加辨识度,在历经多年的病理学中发展中,医生们创建了很多种组织染色方法。

但组织标本的传统染色过程耗时而且复杂,需要有专门的实验室基础设施,化学试剂以及训练有素的技术人员。

用 AI 实现数字染色

那么 AI 是怎么进行染色的呢?

虚拟图像染色利用了机器学习的方法,通过使用之前染色的资料,用深度卷积神经网络(CNN)对样品的单个自发荧光图像进行上色。

在操作时,先对未染色的组织切片,先拍摄出它自发荧光下的显微图像。

然后用生成对抗网络(GAN)训练的 CNN ,就可以快速的将未标记的组织切自发荧光图像,转换成类似试剂染色的图像。

AI 虚拟染色的流程图

这种基于深度学习的方法,完全没有传统步骤的繁琐,通过计算机训练模型,最终输出上色后的图样,能极大的节省成本和时间。

该研究由加州大学洛杉矶分校的研究团队完成,研究成果发表在了 Nature Biomedical Engineering 杂志上。

论文地址:https://www.nature.com/articles/s41551-019-0362-y

真的有那么好吗?

那么 AI 虚拟染色的实际效果怎么样呢?

为了判断虚拟染色的效果,研究人员使用了「盲审」的判定过程。

由经过董事会认证的病理学家来进行评判,不告知是试剂染色还是 AI 虚拟染色的情况下,让他们独立的进行分辨。

最后的结论显示,染色质量上,AI 生成的虚拟染色相比于之前的方法,产生的医学诊断没有临床上的显著差异。

研究者也对一些样本,在虚拟染色之后用常规方法做了染色,从得到的图样中,实际的效果相差无几。

第一列是增加对比度的图像,第二列是原始自荧光图像,第三列是 AI 虚拟染色,第四列是一种传统的方法:Masson 三色染色。针对的是肝和肺的切片样本。

这种新的方法被证实可以用在不同的染色和人体组织类型中,包括常规的唾液腺,甲状腺,肾,肝和肺的切片。

他们称,下一步需要进行大规模的随机临床研究,以验证 AI 染色图像诊断的准确性。

技术能做到什么

利用 AI 染色的方法,只需要标准的荧光显微镜和简单的计算机,因此在资源有限的环境和条件下,具有变革性的优势。

该研究的领导者 Aydogan Ozcan 说到,「这项技术可能会改变临床组织病理学工作流程。因为技术的涉入,染色过程变的快速又简单,而且无需专业技术人员或先进的医学实验室。」

对于这个方法的可扩展性,他补充到,「基于 AI 的虚拟染色框架也可用在手术室中,比如快速的评估肿瘤边缘,为做手术的外科医生提供便利甚至是关键性的指导。」

此外,这个研究另一个主要影响,是有助于将整个染色过程的标准化。利用 AI 的方法,能防止技术人员和操作环境不同导致的差异性,从而避免活检的误诊或误分类问题。

点击查看原文