Page 47 - 肿瘤患者中西医结合护理研究

第二章 肿瘤的预防和控制

切片图像（whole slide image， WSI）已成为DL方法和计算机视觉的理想应用场景，
通过对传统病理切片进行高分辨率扫描并合成数字化图像，克服了传统切片易损、
检索困难和可重复性差的缺点。Esteva 等使用 GoogLeNet inception v3CNN 架构
对约 13 万张皮肤病理图像进行训练，可实现对皮肤角质细胞癌（AUC=0.96）和

恶性黑色素瘤（AUC=0.94）的准确识别，并开发了移动端应用以利于患者自我
筛查。同样应用 v3CNN 算法，Coudray 等可准确诊断病理学家无法判断的部分
非小细胞型肺癌（AUC=0.97）；且该算法对基于活检、手术、福尔马林固定等
不同标本的 WSI 数据均能保持一定的准确性。Ma 等基于胃组织病理学图像，使

用 CNN 和 RF 分类器识别出正常胃黏膜、慢性胃炎和肠型胃癌的形态学特征，
支持了胃癌发生的多阶段演变过程。AI 与 WSI 结合，可准确地检测乳腺癌淋
巴结转移情况（AUC=0.99），并显著高于相同工作时间下病理学专家的准确性
（AUC=0.81）；该研究对比多种 AI 算法发现，CNN 模型普遍优于人工特征工

程的 AI 算法，且对切片染色差异进行标准化、利用不变量增加训练数据和采用
不同抽样策略解决分类不平衡问题等辅助性策略均可以增加 AI 模型的性能和泛
化能力。Campanella 等应用弱监督学习方法表明，即使没有对 WSI 训练数据在
像素级别进行标注，AI 算法仍可以准确识别出 WSI 中潜在病变部位。

当前 AI 应用于病理诊断也存在挑战。首先是获取高质量 WSI 对于很多医疗
机构和不发达地区仍相对困难。由于拍摄图像受到变焦、角度、光线等影响，实
现不同标本来源、不同拍摄设备、不同操作人员的 WSI 图像标准化需要制定统
一的行业标准。对此，Chen 等尝试直接将 AI 与数字化显微镜整合，开发了增强

现实显微镜，在显微镜视野中实时、准确标注潜在病变位置，可用于优化病理学
家工作流程。另外，由于病理特征的复杂性，依托单一数据库的代表性（外推能
力）不足，从中训练出 AI 算法的鲁棒性受限，因此 AI 算法客观上需依托多中心
和大样本量研究开发，或进一步提升模型的泛化能力。

3. 电子健康记录资料
电子健康记录（electronic health records， EHR）包含了常规医疗活动和监测
过程中收集的患者人口学信息、药物处方、合并症和其他疾病诊断、医疗资源使用、
生命体征、实验室数据以及医嘱中关键词等与患者健康有关的各层面信息，相对

容易获得且不需要昂贵的检测设备。Miotto 等通过对 7 万余例患者的 EHR 数据
进行训练学习，对 78 种疾病进行了预测，结果显示，结合了 DL 方法的预测模

37