AI病理诊断解释方案或解决人工智能CFDA三类申报获批关键难点(2)

2019-08-23  未知 admin

扫描器网络（s-net）的核心是多模态CNN，这是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。

诊断器网络（d-net）作用于每个勾画ROI（感兴趣区域，regionofinterest，AI框选出的需要关注的区域），分析病理特征并显示特征感知网络，以尝试解释每个ROI的勾画原理，以及解释诊断器网络在描述观察时所看到的内容，最终将分析流程及结果转化为文字。

简而言之，d-net的作用就是生成解释性的内容，告诉人类AI为什么框选出这些ROI，以及AI对单个ROI如何做的判断。

聚合器网络（a-net）则将扫描器网络与诊断器网络生成的信息进行集合处理，集成所有特征，并生成与影像相匹配的诊断结果。

通过逐块扫描病理图片，三个模块从图片像素中提取与数据库对应的有效像素并进行识别，最后转化为可处理文本数据，再使系统建立起文本与图像之间的直接联系。

诊断器网络在数据格式转化的同时，系统将运用NLP生成包含诊断组织细胞和细胞核特征的语言描述，匹配病理学家的操作方式，其生成的表述结构符合临床病理学报告标准。因此，这种方式可视为对人工智能诊断过程的解释。

病理学家在实验之中起到了重要的作用。当病理学家对病理切片进行处理时，系统将捕获病理学家的操作过程，如点击图像的位置，并将操作、医学语言与系统语言相结合，这构成了系统的运行和分析的逻辑的基础。

最终，系统能够通过其文本和视觉输出明确地解释其分析过程，并向病理学家提供直接证据（即第二意见）以供审查和目视检查，从而帮助降低病理学家临床决策中的主观性差异。

本次实验用了怎样的样本？

本次实验总计采用了近千名膀胱癌患者的尿路上皮癌切片数据，整个数据集分为620个用于训练的病理切片，193个用于验证的病理切片和100个用于测试的病理片。

从形态上看，该数据集包括102例非侵入性低级别乳头状尿路上皮癌以及811例非侵入性或侵入性高级别乳头状尿路上皮癌。这些数据经过了多位病理学家的严格诊断，且去除了低质量的切片。

为了评估神经网络系统的效果，21名泌尿生殖病理学家参与了数据注释和诊断性能评估。经过大约近两年的努力，病理学家使用研究人员开发的基于Web的注释程序对数据进行了集体清理和手动注释。

通过将该系统的测试结果与病理学家的常规检查进行了比较，结果显示，该系统实现了97％的曲线下面积（AUC）评分，其表现优于大多数进行比较的病理学家。

此外，当使用混淆矩阵进行比较（图e，f）时，结果显示系统的平均准确度为94.6％，而病理学家的平均准确度为84.3％。

实际上，统计结果还表明，病理医生对于部分类型的前列腺癌的诊断一致率不足50%。因此仅从数据上看的话，此次论文中所提出的AI系统，在准确率和一致性上都有较好的表现。