AI+医疗 | 腾讯AI Lab食道癌早期筛查技术率先进入临床预实验

食管癌是常见恶性肿瘤之一,治疗时机非常关键,如果在癌症早期发现,只需通过微创手术切除病变区域,治疗成本低、基本无并发症、治愈的概率非常高。但我国早期食管癌检出率低于10%,因为早癌病变特征非常细微,在检查时人的肉眼很容易忽略,可能错过最佳治疗时机。同时,食管的炎症与癌症特征有很多相似性,经验不足的医生,有可能把炎症误诊为癌症,从而选择错误的治疗方案,导致不必要的身体损伤。

中国食管癌现状

  • 早期食管癌检出率低于10%

  • 2015年新发现肿瘤病理排名第三

  • 新发现肿瘤病例男性排名第四、女性排名第五

在食管癌筛查中,医生要做的第一步是用内镜筛查判断病变特征,从而决定是否进行进一步病理检查。这里的内镜图像里包含大量像素数据,在非常有限的筛查时间里,机器能很快区分病灶之间的细微差别,提升早癌筛查识别率,同时更好辨识出炎症与癌症之间差异性,将两者区分开来,帮助医生进行更好的治疗。

中山大学医院管理处处长、广东省食管癌研究所所长傅剑华教授介绍,AI在医疗上的应用越来越广泛。国外开发主要聚焦影像识别系统,应用在皮肤科和眼科等。这次合作属于内镜图像识别系统,可能在全球属于首创。中山大学附属肿瘤医院胸外科医师罗孔嘉补充解释,AI与内镜结合少,原因包括内镜图像的拍摄非常困难。而且,比起有无病灶的诊断,病情严重程度的诊断技术含量更高。

腾讯AI Lab提出的技术流程历经三个环节:首先通过食管判别模型,从包含非食管的大数据中辨别并留存食管数据;第二步,将食管数据送到第二个模型,把正常食管和病变食管区别开;第三步,将病变食管数据送到第三个模型,判断是癌症还是炎症。

食道癌识别 - 整体流程及相关技术


在这个技术中,我们研究了如何将深度学习技术应用到食管癌识别的问题中,通过构建自动识别算法辅助医生,提升其诊断效率和准确性。在研究中,这是一个典型的分类问题,目前有VGG和GoogleNet等比较成熟的算法。而成熟分类算法的效果并不理想,因为能知道一张图像是否包含癌症,但缺乏定位到具体病变位置的表示数据。因此我们将一张食管图像化整为零,采用Multi-Instance思路,在loss function中加入医生经验和医学知识作为约束,提升了模型学习性能。在模型迭代过程中,我们也会积累少量精准标注数据,通过多任务方式,把这些数据的精准特征强化到前面的判别模型中,从而进一步提升模型识别效果。通过不断将模型识别结果与医生标注结果对比,精准标注数据不断积累,模型也越加成熟。在历时半年、多次迭代以后,判断准确率和召回率的综合指标F1-Score[2]最终达到了90%。


腾讯AI Lab于2016年4月成立以后,专注于基础研究和应用探索的结合,提出了「学术有影响,工业有产出」的发展目标,目前技术已支持腾讯上百个产品,包括微信、QQ、QQ音乐、天天快报和应用宝等。

2017年3月,斩获计算机围棋大赛“UEC杯”冠军的围棋AI产品「绝艺」,背靠机器学习强化学习等AI热门研究,并在腾讯围棋平台应用、游戏AI研发领域具有较高价值。近日在QQ手机版本上线的「实时视频滤镜技术」,其相关论文也入选计算机视觉顶级学术会议CVPR,是研发向应用快速转化的又一例证。

产业食管癌识别图像识别
相关数据
分类问题技术
Classification

分类问题是数据挖掘处理的一个重要组成部分,在机器学习领域,分类问题通常被认为属于监督式学习(supervised learning),也就是说,分类问题的目标是根据已知样本的某些特征,判断一个新的样本属于哪种已知的样本类。根据类别的数量还可以进一步将分类问题划分为二元分类(binary classification)和多元分类(multiclass classification)。

计算机视觉技术
Computer Vision

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

判别模型技术
Discriminative Model

在机器学习领域,有一种分类方法将模型分为判别模型和生成模型(generative model)两种。 判别模型是一种对未知数据y与已知数据x之间关系进行建模的方法,是一种基于概率理论的方法。已知输入变量x,判别模型通过构建条件概率P(y|x)分布预测结果,或试图直接从输入x的空间学习映射到标签{0,1}(如感知器算法)的函数。生成模型则是考虑x与y之间的联合分布。 在实际应用中判别模型非常常见,如:逻辑回归(logistic regression),支持向量机(support vector machine), 提升方法(Boosting),条件随机场(conditional random fields),神经网络(neural network),随机森林(random forests)典型的生成模型则包括:高斯混合模型(Gaussian Mixture Model),隐马尔科夫模型(hidden markov model),简单贝叶斯(naive Bayes)等。不难看出两者的区别。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

强化学习技术
Reinforcement learning

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

准确率技术
Accuracy

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

推荐文章