大家好，今天和大家分享的是一篇6＋分的學(xué)習(xí)筆記

題目：應(yīng)用深度學(xué)習(xí)法在鼻咽活檢中成功識別鼻咽癌

一、背景

鼻咽癌（NPC）是一種具有獨(dú)特種族傾向、與EB病毒相關(guān)的癌癥。其發(fā)病率在某些種族中較高，在流行區(qū)內(nèi)，大多數(shù)NPC病例為非角化型，以未分化或低分化的癌細(xì)胞和大量混合炎性細(xì)胞為特征，主要為小淋巴細(xì)胞和漿細(xì)胞。這些形態(tài)學(xué)特征可能給病理診斷帶來困難，特別是對于經(jīng)驗(yàn)較少的病理學(xué)家或非流行區(qū)。而最近，利用人工智能（AI）分析病理圖像越來越具有可行性，在NPC等形態(tài)上的病理圖像識別中采取AI輔助可以提高病理學(xué)家的診斷效率和準(zhǔn)確性。

二、研究思路

三、結(jié)果解析

1． 貼片級模型

從被事先人為標(biāo)記過的鼻咽活檢標(biāo)本中裁剪并采集貼片樣本，利用ResNeXt（具有殘差和起始架構(gòu)的深度神經(jīng)網(wǎng)絡(luò)），并經(jīng)歷了初始化、更新現(xiàn)有模型的內(nèi)核權(quán)重即SGD（隨機(jī)梯度下降），建立了原始的貼片級模型。在此過程中，發(fā)現(xiàn)具有如生發(fā)中心、良性上皮細(xì)胞等某些形態(tài)學(xué)特征的良性鼻咽部貼片易被錯判為NPC。為了規(guī)避這種錯誤，對該模型的訓(xùn)練數(shù)據(jù)進(jìn)行關(guān)于良性上皮細(xì)胞區(qū)域與生發(fā)中心區(qū)域貼片水平方面的拓展，重新訓(xùn)練的貼片級模型成功地將生發(fā)中心和良性上皮細(xì)胞識別為良性組織。

制作了關(guān)于這個(gè)模型算法的學(xué)習(xí)曲線以及原始與最終的受試者工作特征（ROC）曲線，其中可見，ROC曲線下面積（AUC）從原始模型到最終模型有顯著增加，說明該模型的效能得到較顯著的改進(jìn)。

圖1 訓(xùn)練數(shù)據(jù)的擴(kuò)展有效防止貼片的錯誤分類

圖2 算法的學(xué)習(xí)曲線和ROC曲線（1）2． 用于貼片水平識別的關(guān)鍵形態(tài)學(xué)特征

利用梯度加權(quán)類激活映射（Grad－CAM）對被貼片級模型辨別為鼻咽癌的貼片進(jìn)行處理，以此來可視化貼片中模型預(yù)測的重要區(qū)域定位與比較。結(jié)果顯示，將貼片歸類為NPC的最重要區(qū)域（紅色）與可明確識別的癌細(xì)胞的位置相關(guān)（箭頭），證實(shí)貼片級模型確實(shí)可辨別NPC腫瘤的形態(tài)學(xué)特征。

圖3 通過貼片級模型歸類為NPC的貼片（256 × 256像素）的Grad－CAM結(jié)果3．玻片級模型

通過對測試組中的鼻咽癌病理標(biāo)本進(jìn)行貼片級模型處理，并分別與EB病毒（EBV）編碼的小RNA（EBER）原位雜交、H＆E形態(tài)推導(dǎo)處理對比后，發(fā)現(xiàn)貼片級模型可成功確定癌細(xì)胞的區(qū)域，與EBV編碼的小RNA（EBER）原位雜交確定的區(qū)域相似。盡管存在許多混合淋巴細(xì)胞，模型仍能有效地鑒定腫瘤細(xì)胞。

結(jié)合以上推斷的概率圖、低分辨率全玻片圖像、殘差網(wǎng)絡(luò)ResNet后，建立了玻片級模型，并制作了該模型算法的學(xué)習(xí)曲線和受試者工作特征（ROC）曲線，結(jié)果顯示，載玻片級模型的性能與病理學(xué)住院醫(yī)師（紅色十字）相當(dāng)，但略低于主治病理學(xué)家（藍(lán)色十字）和住院醫(yī)師（綠色十字）。

圖2 算法的學(xué)習(xí)曲線和ROC曲線（2）

圖4 貼片級模型和EB病毒編碼的小RNA原位雜交之間的相關(guān)性

圖5 貼片級模型與H＆E形態(tài)之間的相關(guān)性

小結(jié)

這篇學(xué)習(xí)筆記從被事先人為標(biāo)記過的包含鼻咽癌與鼻炎良性組織的鼻咽活檢標(biāo)本中裁剪并采集貼片樣本，利用ResNeXt、SGD以及后續(xù)的拓展完善數(shù)據(jù)建立了貼片級模型，并通過Grad－CAM證實(shí)貼片級模型確實(shí)可辨別NPC腫瘤的形態(tài)學(xué)特征，后又根據(jù)貼片級模型推斷的概率圖、低分辨率全玻片圖像、殘差網(wǎng)絡(luò)ResNet，又建立了玻片級模型。在建立模型的過程中，簡明地描述了相關(guān)算法的學(xué)習(xí)曲線，并利用ROC曲線檢驗(yàn)了模型的性能。綜上，這篇學(xué)習(xí)筆記首次開發(fā)了深度學(xué)習(xí)算法來識別鼻咽活檢中的NPC，對該病的臨床病理診斷有較大意義，但由于圖像是手動注釋，因此不能排除由于個(gè)人主觀性導(dǎo)致的偏倚。此外，各實(shí)驗(yàn)室H＆E染色的顏色和強(qiáng)度往往不同。由于此算法是使用單個(gè)實(shí)驗(yàn)室的載玻片開發(fā)的，對于其他機(jī)構(gòu)的病例，準(zhǔn)確性可能會降低。因此，使用其他實(shí)驗(yàn)室的病例擴(kuò)展培訓(xùn)數(shù)據(jù)應(yīng)該有助于在未來實(shí)現(xiàn)更穩(wěn)健的發(fā)展。