大家好，今天和大家分享的是一篇6＋分的學習筆記

題目：應用深度學習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胞和大量混合炎性細胞為特征，主要為小淋巴細胞和漿細胞。這些形態(tài)學特征可能給病理診斷帶來困難，特別是對于經(jīng)驗較少的病理學家或非流行區(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家的診斷效率和準確性。

二、研究思路

三、結(jié)果解析

1． 貼片級模型

從被事先人為標記過的鼻咽活檢標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），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、良性上皮細胞等某些形態(tài)學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，對該模型的訓練數(shù)據(jù)進行關(guān)于良性上皮細胞區(qū)域與生發(fā)中心區(qū)域貼片水平方面的拓展，重新訓練的貼片級模型成功地將生發(fā)中心和良性上皮細胞識別為良性組織。

制作了關(guān)于這個模型算法的學習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。

圖1 訓練數(shù)據(jù)的擴展有效防止貼片的錯誤分類

圖2 算法的學習曲線和ROC曲線（1）2． 用于貼片水平識別的關(guān)鍵形態(tài)學特征

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行處理，以此來可視化貼片中模型預測的重要區(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胞的位置相關(guān)（箭頭），證實貼片級模型確實可辨別NPC腫瘤的形態(tài)學特征。

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本進行貼片級模型處理，并分別與EB病毒（EBV）編碼的小RNA（EBER）原位雜交、H＆E形態(tài)推導處理對比后，發(fā)現(xiàn)貼片級模型可成功確定癌細胞的區(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胞，模型仍能有效地鑒定腫瘤細胞。

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ResNet后，建立了玻片級模型，并制作了該模型算法的學習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住院醫(yī)師（紅色十字）相當，但略低于主治病理學家（藍色十字）和住院醫(yī)師（綠色十字）。

圖2 算法的學習曲線和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)

這篇學習筆記從被事先人為標記過的包含鼻咽癌與鼻炎良性組織的鼻咽活檢標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證實貼片級模型確實可辨別NPC腫瘤的形態(tài)學特征，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)算法的學習曲線，并利用ROC曲線檢驗了模型的性能。綜上，這篇學習筆記首次開發(fā)了深度學習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人主觀性導致的偏倚。此外，各實驗室H＆E染色的顏色和強度往往不同。由于此算法是使用單個實驗室的載玻片開發(fā)的，對于其他機構(gòu)的病例，準確性可能會降低。因此，使用其他實驗室的病例擴展培訓數(shù)據(jù)應該有助于在未來實現(xiàn)更穩(wěn)健的發(fā)展。