在检查完患者的生物组织样本后，病理学家的报告通常是许多疾病的黄金诊断标准。尤其是对于癌症，病理学家的诊断对患者的治疗产生了深远的影响。病理切片检查是一项非常复杂的任务，需要多年的培训才能做好，并且丰富的专业知识和经验也是必不可少的。尽管他们经过培训可以检查患者的生物组织样本，但病理学家的报告通常是许多疾病的黄金诊断标准。尤其是对于癌症，病理学家的诊断对患者的治疗产生了深远的影响。病理切片检查是一项非常复杂的任务，需要多年的培训才能做好，并且丰富的专业知识和经验也是必不可少的。尽管他们都经过了培训，但不同病理学家对同一患者的诊断结果可能存在很大差异，这可能导致误诊。例如，在某些类型的乳腺癌的诊断中，诊断结论的一致性低至48％，而前列腺癌的诊断一致性也非常低。诊断缺乏一致性和准确性低的情况并不少见，因为如果要进行准确的诊断，则必须检查大量信息。病理学家通常只负责检查切片上所有可见的生物组织。但是，每个患者可能有许多病理切片。假设以40倍的放大倍数执行数字切片图像，则每个患者的图像数据超过10亿像素。假设您要遍历一千万个像素的照片，并且必须对每个像素的判断结果负责。不用说，要检查的数据太多，并且时间通常很有限。为了解决诊断时间有限和诊断结果不一致的问题，我们正在研究如何通过创建自动检测算法并在病理学家的工作流程中提供辅助工具来使深度学习数字病理学领域发挥作用。 Google Research使用Radboud大学医学中心提供的图像数据来训练诊断算法。这些图像还用于2016 ISBI Camelyon挑战赛。该算法已经过优化，可以定位乳腺癌向邻近乳房的淋巴结的扩散。在使用现有的标准深度学习方法（例如IncepTIon（也称为GoogLeNet））进行乳腺癌扩散定位的任务中，尽管生成的肿瘤概率预测热图仍然很嘈杂，但性能也相当不错。我们对该培训网络进行了增强的自定义，包括具有不同放大率图像的培训模型（非常类似于病理学家）。根据训练结果，可以训练一个系统，其功能可以达到：相当于病理学家，甚至可能超过病理学家的表现，而且检查病理切片的时间不受限制。图1的左侧图像是两次淋巴结活检的图像，中间的图像是早期深度学习算法检测肿瘤的结果，而右侧的图像是我们目前的结果。请注意，第二个版本的可见噪声（潜在的错误判断）已减少。实际上，通过该算法生成的预测热图已经得到了很大的改进。该算法的位置评分（FROC）已达到89％，大大高于没有时间限制的病理学家的位置评分（73％）。我们并不是唯一认为这种方法很有前途的群体。在同一数据集中，其他组的算法模型得分高达81％。更令我们兴奋的是，我们的模型非常强大，并且可以识别使用不同扫描仪从不同医院获得的图像。有关更多信息，请参阅Google Research的相关文章“在千兆像素病理图像上检测癌症转移”。图2淋巴结活检的特写。该组织包含乳腺癌转移灶和巨噬细胞，看起来与肿瘤相似，但是良性的正常组织。我们的算法成功地识别了肿瘤区域（亮绿色），而不受巨噬细胞的干扰。尽管这些结果看起来令人鼓舞，但仍有一些重要的考虑因素：与大多数指标一样，局部的FROC分数也不是完美的。在这里，FROC分数定义为预设的灵敏度，并带有少量误报。假阳性是指将正常组织误诊为肿瘤，敏感性是在每个载玻片上检测到的肿瘤百分比。但是病理学家很少做出假阳性。例如，以上73％的分数对应于73％的灵敏度和零误报。相反，假设允许更多的假阳性，我们算法的灵敏度可以