病理学论文

您当前的位置:学术堂 > 医学论文 > 基础医学论文 > 病理学论文 >

计算机辅助诊断在病理学中的应用研究

来源:诊断病理学杂志 作者:于鹤;赵稳兴
发布于:2018-08-08 共4676字

  摘要:计算机辅助诊断是人工智能技术在医学领域应用的一个分支, 现已应用于病理学领域。本文主要介绍计算机辅助诊断技术在细胞病理学、组织病理学以及免疫组化检测等方面的研究最新进展。探讨计算机辅助诊断技术在病理学领域应用所面临的主要问题, 并对其发展前景作出展望。

  关键词:计算机辅助诊断; 病理学; 人工智能; 应用进展;

病理学论文 配图

  计算机辅助诊断 (computer-aided diagnosis, CAD) 技术是人工智能在医学领域应用的一部分。1959年, 美国Ledley[1]第一次建立临床医学的数学模型, 将Bayes定理和布尔代数用于该模型的计算机辅助诊断, 并成功使用该模型对肺癌进行诊断。随着病理图像数据处理技术的不断发展, 计算机能对病理数据不断积累和深度学习, 使其具备处理浩如烟海的医学信息和对病理图片有良好的再现性等能力, 使计算机辅助诊断技术在病理学中得到进一步应用。目前, 在细胞病理学诊断、组织病理学诊断以及免疫组化检测诊断等领域都有报道。2016年, Alpha Go[2]依靠深度学习成功建立复杂的“人类直觉”模型, 并具有自我学习进化能力, 且取得惊人成绩, 预示着计算机辅助诊断新时代的到来。计算机辅助诊断的目标就是采用定性与定量相结合的方法, 为个体化的精准治疗提供可靠的病理诊断。虽然计算机辅助诊断已经在病理领域得到初步应用并取得引人注目的成就, 但对其可靠性等方面仍存在争议, 还需要进一步深入研究。本文就近年来计算机辅助诊断技术在病理学领域应用的最新进展做一综述。

  1 在细胞病理学中的应用

  细胞病理学是计算机辅助诊断技术较早应用并具有广阔应用前景的领域。随着人们对宫颈癌的重视程度提高, 宫颈脱落细胞涂片数量剧增, 病理医师的任务就是从含有上万个细胞的涂片中筛选出异常细胞, 超负荷的工作量严重地影响了病理诊断的质量。通过计算机辅助阅片系统对细胞涂片进行筛查, 显着提高了病理医师的诊断效率。郑珂等[3]报道新柏氏玻片扫描分析影像系统 (TIS) 在宫颈细胞病理学中的应用, 是通过以光学细胞选取算法比较分析细胞形态学特征、核浆比例、细胞核染色等, 筛选并定位22个最可疑目标视野 (FOV) 进行研究。TIS辅助阅读系统阅读了宫颈液基细胞学涂片52873例, 与人工阅读宫颈液基细胞学涂片60147例在平均阅片时耗、与组织学的符合率以及上皮病变的检出率等方面进行比较且相对于人工阅片, TIS的工作效率提高90.6%, 在宫颈脱落细胞学鳞状上皮病变诊断的特异性较好, 但对腺细胞病变检测效果不详。Palmer等[4]通过研究TIS辅助筛查宫颈液基细胞79366张后, 进一步证实TIS能显着提高低级别鳞状上皮内病变的检出率, 而对高级别鳞状上皮内病变的检出率有待研究。

  计算机辅助诊断是检测DNA倍体的快捷、简单方法。目前, 脱落细胞DNA倍体全自动图像分析仪已经用于宫颈、胸腹水、尿液等脱落细胞学检查[5]。有学者提出, DNA图像定量分析系统可以作为筛查宫颈癌的首选方法[6]。郭超楠等[7]为研究脱落细胞学DNA倍体分析系统的应用价值, 收集1676例患者的宫颈细胞学样本, 将其制成薄层细胞涂片, 经过福尔根 (Feulgen) 染色, 用DNA倍体分析系统对每例>4000个的细胞核扫描, 并根据受检细胞的79个核特征参数值对细胞核分类计数, 其中92例宫颈DNA倍体分析结果与宫颈活检比较, 敏感度为77.78%;与传统的细胞学检测比较, DNA倍体分析的敏感性更高。胸腹水的脱落细胞学检查是诊断良、恶性的重要方法。王应霞等[8]对258例胸腹水标本同时进行液基细胞学和全自动细胞图像DNA倍体分析, 研究发现, 液基细胞学阳性率为31.8%, DNA倍体分析检测阳性率为36.1%, 液基细胞学联合DNA倍体分析阳性率为40.1%, 表明DNA倍体分析能够提高检出阳性率。宁毅等[9]对220例患有口腔疾病的患者分别用甲苯胺蓝染色和DNA倍体分析两种方法进行脱落细胞检测, 脱落细胞DNA倍体分析和甲苯胺蓝染色的结果分别再与组织病理学诊断结果比较, 脱落细胞DNA倍体分析灵敏度为96.15%, 特异度为93.75%, 均高于甲苯胺蓝染色。DNA倍体分析方法减少了人为因素的影响, 具有灵敏度高、特异性强和重复性好等优点, 在细胞病理学诊断特别是细胞筛查中具有重要的应用价值。

  2 在组织病理学诊断中的应用

  随着数字化突飞猛进的发展, 组织病理学领域将会由人工定性诊断逐渐向计算机辅助定量诊断发展。全自动切片扫描促进数字病理发展的同时, 也推动计算机辅助诊断的图像分析方法在组织病理领域的应用[10]。苏木精伊红 (HE) 染色的组织病理图像是病理诊断的依据[11]。在常规的病理诊断中, 病理医师只能定性描述间质内的改变, 而计算机技术辅助的图像处理可以自动分析间质内的改变, 并进行定量研究[12]。而病理医师对图像分析存在主观性, 如何避免不同观察者间的诊断差异, 成为亟待解决的问题。陈佳梅等[13]以Cri Nuance多普勒系统采集230例乳腺浸润性导管癌 (IDC) 患者的1150张HE组织细胞病理图像, 并对所采集的图像依次进行提高图像质量的预处理、分割细胞核、支持向量机分类器分割上皮-间质, 对分割完成后的超像素图像自动分类为恶性上皮细胞的细胞团、间质、细胞核三个特定对象, 最后分别从像素水平、高层语义特征以及对象水平3个层次提取730个形态学特征进行分析[14], 研究结果证实计算机辅助的预后评估与人工评估结果一致;Kaplan-Meier生存分析显示, 其中有12个形态学特征与8年无病生存相关 (P<0.05) , Cox回归模型显示癌巢特征、癌巢细胞密度、癌巢细胞核特征及间质细胞结构特征为独立预后因子, 可以作为预测IDC预后新指标。

  计算机辅助诊断技术是诊断乳腺癌的一种潜在有效的手段。乳腺癌组织的细胞图可以分别在低、高倍放大情况下进行评估诊断。国外C.Loukas等[15]为解决活体组织的快速评估问题, 从研究细胞核结构特征和乳腺癌图像分布特征两个方面建立起乳腺癌图像分类系统。他们的研究在×10的低放大倍数下, 评估60个乳腺癌图像中提取的65个感兴趣区域, 并对每张读片提取30个结构特征, 使用3种数值计算方法, 即最接近K值法 (KNN) 、支持矢量机法 (SVM) 以及概率神经网络法 (PNN) 对乳腺癌图像进行I~III级恶性等级分类。培训和测试模式分别用2种方法验证分辨准确率, 其中培训阶段采用“N-1”的方法, 测试阶段采用“互相验证”的方法。在培训模式下, 3种图像辨识方法KNN、SVM和PNN的平均分辨准确度为97%、95%、97%, 在测试模式下, 平均分辨准确率可达86%、85%、90%。研究结果显示, 这种高智能化的乳腺癌图像分类系统完全有潜在代替人工视觉诊断的可能性。

  3 在免疫组化检测诊断中的应用

  随着病理诊断数据大量激增, 病理医师的视觉评估有时很难胜任, 此时借助计算机辅助诊断技术进行信息处理成为一项理想的选择。国外Shinde等[16]应用免疫组化方法对Ki-67在药物MLN8237临床试验1期皮肤活检组织中的表达情况进行检测, 并用计算机图像分析系统对免疫组化结果进行定量分析, 计算机阅读与人工阅片的结果一致性较好, Kappa值为0.81。郭蕾等[17]选取乳腺癌病例127例, 进行Ki-67免疫组化染色后, 使用Aperio全自动数字病理扫描仪智能扫描, 应用Nuclear v9软件对细胞核进行分析, 研究计算机软件阅片与人工阅片的一致性, 研究发现计算机辅助阅片具有省时、客观性好、易质控、重复性好等优势, 证明Aperio核分析软件 (Nuclear v9) 阅读Ki-67免疫组化结果可行。

  计算机辅助诊断可帮助病理医师定量研究病理图像[18]。目前, 已有相关的分析软件应用于免疫组化以及免疫荧光图像的定量分析[19]。Maeda等[20]研究计算机辅助诊断技术用于免疫组化结果诊断乳腺病变的有效性, 采用200个空芯针活检乳腺标本, 对其ER、Syn、CK14/p63进行免疫组化染色, 扫描整张切片, 用Patholo Scope图像分析软件分析细胞核和细胞质的染色作为诊断依据, 结果表明计算机辅助诊断能够分析包括浸润性乳腺癌在内的所有上皮增生病变数据, 计算机辅助免疫组化检测技术也为计算机辅助诊断奠定了良好基础。董芳莉等[21]选取肿瘤标本40例, 分别用于手工与智能免疫组化检测, 并比较其染色效果。手工切片采用Eli Vison两步法, 智能免疫组化只需将处理后的切片置于Leica全自动免疫组化机, 确认并加入试剂、设定程序、电脑输入。与手工免疫组化相比较, 全自动免疫组化染色具有定位准确、不存在边缘效应、染色效果佳、稳定性好以及速度快等特点, 实现结果的标准化以及质量控制, 成为临床病理诊断重要的辅助工具。余桂州等[22]利用人肝癌组织为模型, 在同一张切片上进行肝癌3种阳性蛋白的免疫组化染色, 最终借助计算机图像处理技术, 将3张图合成1张多重蛋白表达图。该免疫组化多重染色技术, 避免连续切片所导致的非同一细胞而引起的定位不精准等问题。

  4 存在的问题与展望

  随着数据容量的增加以及智能算法的进步, 具有大数据储备及处理能力的计算机技术越来越受人们的重视[23]。其内涵丰富的图片和病理信息可以帮助病理医师全面获取切片信息和辅助病理医师快速对疾病进行筛查, 甚至做出明确诊断, 同时病理医师也可以从计算机的诊断思路中得到启示, 将其作为查阅系统加以参考利用。

  随着专业人士不断努力和研究证实, 人工智能的可靠性完全可以成为病理医师的有效辅助工具, 人工智能正在勾勒出未来病理学家使用图像的方式。目前, 计算机辅助诊断在病理学领域逐渐得到较广泛应用, 但其想要在病理领域实现技术上的突破仍然需要解决许多问题: (1) 标注置信度。如在乳腺癌细胞核免疫组化Ki-67的检测中, 不但乳腺癌细胞核被Ki-67染色, 淋巴细胞、间质细胞、良性的上皮细胞同样可能染色而被计数。对病理切片进行合理的置信度标注, 病理专家需要花费大量的时间和精力。 (2) 图像分割方面难以达到对病理切片精准区分。如对于HE定量分析中, 有丝分裂象的检测以及腺管结构的分割仍然具有挑战性。 (3) 对于大尺寸像素的病理数字切片, 需建立神经网络系统并对计算机进行训练, 有些病变电脑尚不能区分。 (4) 在模型的建立方面, 计算机模型不能完全代替实际需要模型, 体现在很难对计算机进行参数设置以满足疾病的复杂性, 很多信息很难录入电脑, 而且计算机并不能结合临床病史对复杂疾病做出综合的诊断。而且一种疾病对应着一种模型, 需要对所有疾病逐一建立病理模型, 难度会剧增。 (5) 在数字切片缺乏的条件下, 很难对计算机进行很好的训练。 (6) HE制片和免疫组化染色等病理技术都是多步骤、多因素决定的实验方案, 这些技术方法的规范化、标准化以及严格的质量控制是推广计算机辅助诊断技术应用的前提条件, 也是目前面临的巨大挑战。只有逐步解决好这些问题, 计算机辅助诊断才能更好地为病理医师所用。

  总之, 随着人工智能的发展, 计算机辅助诊断技术在病理学中的应用前景是乐观的, 病理医师的缺少也为其发展提供良好契机。在今后的病理研究中, 计算机辅助诊断将会越来越深地融入到病理医师的工作中。对此, 病理医师更需要关注人工智能的发展, 并参与到计算机辅助的病理诊断研究领域中, 推动其在病理学中的应用和发展。

  参考文献
  [1]Gómez MMY, Escalante HJ, Segura A, et al.Advances in artificial intelligence:IBERAMIA 2016[M].Springer International Publishing, 2016.Proceedings.
  [2]Granter SR, Beck AH, Jr Papke D.Alpha Go, deep learning, and the future of the human microscopist[J].Arch Pathol Iab Med, 2017, 141 (5) :619-621.
  [3]郑珂, 张声, 唐坚清, 等.计算机辅助阅片系统在宫颈细胞学筛查中的应用[J].诊断病理学杂志, 2015, 22 (6) :364-366.
  [4]Palmer TJ, Nicoll SM, MCKean ME, et al.Prospective parallel randomized trial of the Multi CyteTMThin Prep imaging system:the Scottish experience[J].Cytopathology, 2013, 24 (4) :235-245.
  [5]赵久飞, 任力, 李炜, 等.术中组织印片细胞DNA倍体分析在乳腺疾病诊断中的意义[J].诊断病理学杂志, 2013, 20 (12) :744-747.

原文出处:于鹤,赵稳兴.计算机辅助诊断技术在病理学中的应用进展[J].诊断病理学杂志,2018,25(03):223-226.
相关内容推荐
相关标签:
返回:病理学论文