科学家研发人工智能可识别不同癌细胞！网友：厉害了黑科技！
对于很多癌症的确诊都需要经过一个过程，那就是细胞、组织的活检。也就是说，在确诊癌症之前，医生会从病变的地方取下小部分组织或是细胞送检，而最终下定论的是病理检验科的医生，他们会根据多项检验结论综合判断。
辨别送检组织或细胞内有无癌细胞就是其中一项最重要的检查判断，这往往需要十分有经验的检验科医生来进行，因为同一种癌症的癌细胞也会存在各种各样的形态，不同患者也会表现出很大的差异。因此，这也是一项耗时、且容易出错的工作。
人工智能能不能快速识别不同癌细胞？
随着科技进步，智能机器人已广泛应用于临床，甚至可以帮助医生做手术。那么，有没有可以快速、准确识别癌细胞的智能机器人呢？近日，日本大阪大学的科学家传出相关喜讯。
原来，日本大阪大学的科学家们在国际杂志CancerResearch上刊登了一项研究报告，报告中称他们通过研究揭示了如何通过一种基于人工智能的系统来克服上述问题。
研究者指出，这种基于人工智能的系统能通过扫描显微图像并获得比人类判断更高的准确率，来有效识别不同类型的癌细胞，这种方法或能给肿瘤学领域的研究带来革命性的突破。
这是什么样的黑科技？竟比人还厉害！
日本科学家的研究的人工智能系统基于一种卷积神经网络（一种以人类视觉系统为模型的人工智能模式），据悉，研究人员能利用这种人工智能系统有效区分小鼠和人类机体中的癌细胞，同时还能区分出对放疗产生耐受性的癌细胞。
研究者MasayasuToratani介绍，这种人工智能系统在识别不同细胞类型上的自动化和高准确率或能用来确定肿瘤中存在的细胞类型或癌症患者机体中循环的癌细胞类型。可以通过它确定放疗是否有效，还可以用来观察其治疗是否达到了预期的效果。
这种黑科技是怎么炼成的？
研究者HideshiIshii介绍，最开始他们利用从相差显微镜上获得的8000张细胞图像来训练人工智能系统，有使用另2000张图像来检测该系统的准确性，从而观察该系统是否能够学会图像的特征并有效地将实验小鼠机体的癌细胞与人类机体的癌细胞相区分，同时将对放疗耐受的细胞与对放疗敏感的细胞相区分。
在创建被该系统获得的二维图谱时，每种细胞类型的结果都会被聚集在一起，同时也能与其它细胞明显分离。研究者高兴地表示，被训练后系统能够根据细胞单独的显微图像来有效识别出不同类型的细胞。
未来，研究人员希望能通过人工智能系统来帮助科学家们自动高效化地识别不同类型的癌细胞。
网友表示这种厉害的黑科技，希望能早日应用在临床之中！
除非注明，否则均为瑞得生健康网原创文章，转载必须以链接形式标明本文链接
本文链接：https://redsenol.com/18401.html
标签人工智能医学人工智能智能机器人应用于临床癌细胞链接复制成功兰丁高科绝活：用人工智能揪出早期癌细胞
从公开数据看，兰丁高科，或许是目前世界上见识过癌细胞最多的科创公司。
凭什么说它最多？
一是公司起步早，从2000年开始，至今已有了近20年的实践，积累的有效数据超过500万份；二是公司运用了新工具，而且选择了一条与传统病理学完全不同的路径，在医学实践中引入了人工智能，并在大量的临床中得到了检验。
“前几天欧洲细胞学大会在瑞典召开，我去做了一个中国用人工智能方法进行宫颈癌筛查的报告，那些欧美的专家听了后都很震惊，技术上他们不陌生，但他们想不到我们真的能实现落地。”兰丁高科创始人、董事长孙小蓉博士向上证报记者介绍。
落地，这也正是孙小蓉当年回国的初衷，更是创业的初心，“我下过乡，也出过国，我知道自己要做什么，兰丁是‘landing’的谐音，落地的意思。幸运的是，我们一群人聚到一起，开开心心地做了这么一件事。”
兰丁高科正在筹划申报科创板IPO。“科创板的推出，是一个非常大的进步，对中国所有做实事的人都是一种鼓励。”孙小蓉说。
上证报记者在采访兰丁高科创始人孙小蓉
以仁心推动自动检测技术落地中国
“虽然现在国外也开始用我们的云平台做检测，但这项技术只有在中国才有机会落地，因为中国才有巨大无比的需求。”孙小蓉介绍。
孙小蓉今年61岁了，尽管创业已有近20年，她仍把自己当作一名医生。办公室的墙上，挂着她自己书写的条幅：“宁可正而不足，不可邪而有余。”
和许多同龄人一样，孙小蓉的少女时代是在乡下度过的，以知青的身份做过一段时间乡村妇女干部。
高考恢复后，孙小蓉考上了武汉同济医学院。1988年，在武汉同济医学院工作的孙小蓉赴澳大利亚留学，博士毕业后去美国做了博士后，后来又因求职去了加拿大不列颠哥伦比亚省肿瘤研究所。在那里，孙小蓉潜心做了四年的研究。
“加拿大肿瘤研究所做了多年的癌细胞自动化诊断的基础研究，但因各种因素的影响，一直没有机会完成临床应用的研究。”孙小蓉告诉记者。
“美国和加拿大都有比较完善的癌症筛查机制，对自动化检测的需求不大，但中国拥有世界上最大的妇女群体，特别是广大农村，医疗资源相当缺乏，我觉得有机会。”
2000年，孙小蓉回到国内，开始借助研究所的力量推广她的自动化筛查技术。
“我完全不懂生意，但是我想做这件事情，我也觉得我应该做这件事情，所以就办了这家公司，政府给了特别多的支持。”孙小蓉回忆。
创业期间的艰辛自不用说，用一句话概括就是，“我们没钱，有时候还免费给别人做（检测），但是我们很开心，而且活下来了。”
兰丁不仅活下来了，还完成了它的原始积累。
“这么多年，我们积累了大量的数据，常见癌细胞的特征和数据都在我的库里面存着，待检的标本拿过来，用机器对比一下就可以看出结果。“孙小蓉介绍，几分钟的时间，机器人兰丁就可以完成一次容量达上万个细胞的标本筛查，结合1000多个参数自动生成检测报告。
来自社会实践的反馈，更让孙小蓉觉得“值得”。
据介绍，武汉市汉南区首批200多名育龄妇女参加筛查，当即就发现了4个早期宫颈癌患者，由于争取到了宝贵的治疗时间，患者全部成功治愈。
以恒心推动智能检测平台走向全球
随着时间的积累，孙小蓉和她的兰丁高科引起越来越多的关注和认可。
2014年，兰丁自主研发的自动细胞DNA检测分析仪通过了美国FDA验证。此外，公司也创建了我国第一家从事肿瘤细胞早期诊断的第三方中心实验室。
“我给他们讲，这是一件很高级的事情，价值摆在那里，你把事情做好了，需要的人自然回来找你。”孙小蓉对记者说，这也是她创业的底气。
对于非专业人士，孙小蓉喜欢拿筛选黄豆来讲解自己的独门技术。
“筛查癌细胞，就好比在一盆黄豆中间找出那些坏了的黄豆，传统的病理学方法是人工挑拣，只能一颗一颗地看，我们用机器来筛选，效率肯定要高很多，随着我们数据量的积累，加上算法的改进，准确度也要高很多。”孙小蓉说，到现在为止，可以大胆地说，人工智能技术已经颠覆了癌症筛查这个行业。
据了解，传统的宫颈癌筛查主要靠病理医生通过显微镜肉眼观测,依据颜色和大小作出判断，一个经验丰富的病理医生，一天最多看100张细胞玻片。
“兰丁”宫颈癌诊断机器人，通过光电技术对细胞内的染色体进行比对，“借助统计学和概率学的原理，数据化之后，机器不仅可以做出诊断，而且质量比人眼观察要高。”
随着技术的进步，兰丁的业务模式也逐步升级。
孙小蓉介绍，创业初期公司以卖设备和耗材为主，客户主要是医院，通过智能化的设备提升病理学医生的效率，后来发展到“卖服务”，医院和其他医疗机构将细胞切片送到公司，公司提供检测服务。
“现在我们大部分的营收已来自医疗AI+云服务。”孙小蓉介绍，从2015年开始，公司开始研发细胞云诊断平台，至今已完成商业试点。“有了这个平台，全世界任何一个地方，只要需要进行癌细胞的诊断，在完成细胞标本图像信息的收集后，把细胞信息传递到兰丁云平台上完成智能诊断工作，通过手机就可以收到诊断报告。”
今年3月28日，中国妇幼保健协会和武汉大学兰丁人工智能细胞病理研究中心在北京国际会议中心宣布，兰丁宫颈癌人工智能云诊断平台从4月起对外开放。如今随着这平台的开放，世界多国、特别是“一带一路”沿线国家的妇女开始获得由中国的人工智能技术提供的高质量、低成本宫颈癌筛查服务。
据了解，兰丁是阿里健康AI开放平台的核心合作伙伴之一，围绕“兰丁阿里细胞云”项目双方展开深度合作。
“现在来找我们合作的机构很多，全世界的都有，因为在早期癌症筛查方面，不论是质量成本还是效率，我们的优势都很明显。我们也觉得，应该用这个技术造福人类。”孙小蓉说，这是兰丁的初衷，也是使命。
人工智能医学影像诊断的原理和应用
卷积层
卷积是两个数组（可由矩阵转换为数组）的运算，一个数组由图像中某个位置的输入值（如像素值）组成，另一个是滤波器（或核）。计算输入与滤波器的点积得到一个输出。按一定的步长将滤波器移到图像中的下一个位置，重复上面计算过程，直到覆盖整个图像，生成特征（或激活）映射。
线性整流单元层
线性整流单元（RELU，RectifiedLinearUnit）层是一个将负输入值设置为零的激活函数，即当输入值x小于0时，输出f（x）为0；当输入值x大于等于0时，f（x）=x。RELU简化、加速了计算与训练，并且有助于避免消失梯度问题。其它一些激活函数还有sigmoid、tanh、leakyRELU，等等。
池化层
池化层的作用是减少参数数量以及图像的大小（宽度和高度，但不是深度）。最大池化是常用的方法，“最大”是指获取最大的输入值而丢弃其它值。其它池化还有平均池化等。
全连接层
“全连接”是将前一层中的每个神经元都连接到全连接层中的每个神经元。可以有一个或多个完全连接的层。这一层的任务是计算出分类中各种可能类别的概率，最终实现分类。
基于深度学习的影像分析示意图如图2所示，其基本结构是将多个卷积层、激活层和池化层堆叠起来。在空间维进行压缩，并根据学习到的特征映射数量进行扩展之后，所有特征被映射到全连接层上，由最后一个全连接层的激活函数给出分类概率，最后输出分类结果。
图2基于深度学习的医学图像分析示意图
3训练与学习要让机器能根据医学影像/图像自动给出疾病的判断结果，首先必须要对机器进行训练与学习。
训练
训练是建立一个输入—输出关系的过程。用已知的数据（样本）及其结论（标签）作为输入，让机器在知道输入数据及其应该获得的正确结论的前提下，调整内部参数，从而通过这些参数“记住”输入数据与正确结论之间的关系。可见，“训练”其实就是“教导”机器的过程。经过训练后，机器便建立起了反映输入与输出关系的一种“模型”。这种“模型”类似于函数关系，以后输入新的数据，通过模型的计算，就可以获得结论（输出结果）。
学习
学习是遵循某种规则（学习算法）调整神经网络内部参数的过程。机器学习可分为三类：监督学习、无监督学习和强化学习。在当前的研究中，大部分医学影像诊断是采用监督学习。它的基本原理是：计算输出结果，并与应有的正确结论（标签）进行比较，计算出误差，依据此误差去调整神经网络中各神经元之间的连接系数（即权值Wij），然后又根据新的输出计算误差，再调整Wij。重复上述过程，直到完成全部训练数据。如图3所示。
图3图监督学习示意图
4典型例子近几年，深度学习在医学影像分析中的研究获得了显著进展，限于篇幅，下面给出三个研究例子。
皮肤癌诊断
2017年，斯坦福大学A.Esteva等人在《Nature》发表了利用深度神经网络实现皮肤癌诊断的论文（“Dermatologist-LevelClassificationofSkinCancerWithDeepNeuralNetworks，”Nature,vol.542,no.7639,p.115,2017）。皮肤癌的诊断一般是先临床筛查，然后有可能再做皮肤镜分析、活检和组织病理学检查。该文阐述了使用深度卷积神经网络进行的皮肤病变分类。该系统使用的是预先在ImageNet数据集上训练的GoogleInceptionv3CNN架构，并在自己的数据集（包含2,032种不同疾病的129,450张临床病变图像）上使用像素和标签输入进行训练微调，如图4所示。757个训练分类，其由皮肤病新分类法和将疾病映射到训练分类的划分算法来定义。最后的推理分类要笼统一些，由一个或多个训练分类组成（例如，恶性黑色素细胞病变——黑色素瘤类）。推理分类的概率是根据分类结构对训练分类的概率进行求和。系统性能的测试使用经活检证实的临床图像，其测试性能与21位经过认证的皮肤科医生进行对比。使用两个关键的二元分类：角质形成细胞癌与良性脂溢性角化病、恶性黑色素瘤与普通的痣。第一个二元分类代表对最常见癌症的识别，第二个则代表对最致命皮肤癌的识别。结果表明，CNN在这两项任务中都取得了与所有专家同等的性能，其能力水平堪比皮肤科医生，从而展示了人工智能在皮肤癌诊断中的前景。
图4深度卷积神经网络架构（采用GoogleInceptionv3）
间质性肺病诊断
瑞士伯尔尼大学MariosAnthimopoulos等人于2016年发表了利用深度CNN实现间质性肺疾病诊断的论文（LungPatternClassificationforInterstitialLungDiseasesUsingaDeepConvolutionalNeuralNetwork，IEEETransactionsonMedicalImaging,Vol.35,No.5,May2016）。间质性肺病（ILD）是以弥漫性肺实质、肺泡炎症和间质纤维化为病理基本病变。伯尔尼大学的论文提出并评价了一种用于ILD模式分类的卷积神经网络（CNN），如图5所示。该网络由5个卷积层，核为2×2，激活函数是LeakyReLU，采用平均池化，全连接层最后一层的激活函数是softmax，给出7个分类的概率分布。7个输出对应的分类是：健康、毛玻璃不透明度（GGO）、微结节、实变、网状、蜂窝和GGO/网状的组合。训练和评估的数据集包含14696个图像。这是一个针对特定问题设计的深度CNN。在一个具有挑战性的数据集中，对比分析证明了有效性。该系统旨在为ILDs提供鉴别诊断，作为放射科医生的辅助工具。
图5肺模式分类的CNN结构
乳腺癌诊断
美国德克萨斯大学埃尔帕索分校WenqingSun等人关于深度CNN用于乳腺外诊断的论文（Enhancingdeepconvolutionalneuralnetworkschemeforbreastcancerdiagnosiswithunlabeleddata，ComputMedImagingGraph，2016），给出了一个基于图的半监督学习（SSL）方案，使用深度CNN诊断乳腺癌。CNN通常需要大量的标记数据进行训练和参数微调，而该方案只需要训练集中的一小部分标签数据，其余大量数据为无标签数据。诊断系统包括四个模块：数据加权、特征选择、分割协同训练数据标注和CNN，如图6所示。该研究使用3158个感兴趣区域（ROIs），每个感兴趣区域包含从1874对乳房X线照片中提取的肿块，其中的100个ROIs作为标签数据，其余的作为无标签数据，实验结果表明该方案的准确度为0.8243。对于混合数据与采用同样数量的有标签数据相比，后者方案的精度较前者高3.75%。不过，混合数据方案（SSL）的优点是可以利用无标签数据提高准确度，这在缺乏大量标签数据时是很有意义的。
图6乳腺癌诊断用的CNN结构
5结束语用人工智能实现医学影像智能分析，关键还是神经网络的训练和学习。训练的效果与数据密切相关。一是需要用大量的数据“教导”机器，对于医学影像诊断而言，即需要大量的病例影像。尤其是监督学习，需要很大的有标签数据。二是数据的正确性，即原始数据与结论（标签）的正确关系，显然，如果使用错误的数据，训练后得出的模型就可能导致错误。
许多用于医学影像分析的公共数据集已经开始出现，而且还会有更多的公共数据集出现，这将为人工智能机器学习提供极大的数据支持。然而，数据是过去的，对于一些突发的新型疾病，比如新病毒传染病，由于初期缺乏足够的有标签数据，对于机器学习是一个很大的挑战，而学习算法的进步则是应对这一挑战的关键。
------
本文原载"临菲信息技术港"公众号，可在临菲信息技术港免费下载PDF文档。返回搜狐，查看更多
兰丁高科绝活：用人工智能揪出早期癌细胞
原标题：兰丁高科绝活：用人工智能揪出早期癌细胞来源：上海证券报
兰丁高科创始人、董事长孙小蓉
⊙记者覃秘○编辑全泽源
从公开数据看，兰丁高科，或许是目前世界上见识过癌细胞最多的科创公司。
凭什么说最多？一是公司起步早，从2000年开始，至今已有近20年的实践，积累的有效数据超过500万份；二是公司运用了新工具，而且选择了一条与传统病理学完全不同的路径，在医学实践中引入了人工智能，并在大量的临床中得到了检验。
“前几天欧洲细胞学大会在瑞典召开，我去做了一个中国用人工智能方法进行宫颈癌筛查的报告，那些欧美的专家听了后都很震惊，技术上他们不陌生，但他们想不到我们真的能实现落地。”兰丁高科创始人、董事长孙小蓉博士向上证报记者介绍。
落地，这也正是孙小蓉当年回国的初衷，更是创业的初心，“我下过乡，也出过国，我知道自己要做什么，兰丁是‘landing’的谐音，落地的意思。幸运的是，我们一群人聚到一起，开开心心地做了这么一件事。”
兰丁高科正在筹划申报科创板IPO。“科创板的推出，是一个非常大的进步，对中国所有做实事的人都是一种鼓励。”孙小蓉说。
以仁心推动自动检测技术落地中国
“虽然现在国外也开始用我们的云平台做检测，但这项技术只有在中国才有机会落地，因为中国才有巨大无比的需求。”孙小蓉介绍。
孙小蓉今年61岁，尽管创业已有近20年，但她仍把自己当作一名医生。办公室的墙上，挂着她自己书写的条幅：“宁可正而不足，不可邪而有余。”
和许多同龄人一样，孙小蓉的少女时代是在乡下度过的，以知青的身份做过一段时间乡村妇女干部。高考恢复后，孙小蓉考上了武汉同济医学院。1988年，在武汉同济医学院工作的孙小蓉赴澳大利亚留学，博士毕业后去美国做了博士后，后来又因求职去了加拿大不列颠哥伦比亚省肿瘤研究所。在那里，孙小蓉潜心做了四年的研究。
“加拿大肿瘤研究所做了多年的癌细胞自动化诊断的基础研究，但因各种因素的影响，一直没有机会完成临床应用的研究。”孙小蓉告诉记者。“美国和加拿大都有比较完善的癌症筛查机制，对自动化检测的需求不大，但中国拥有世界上最大的妇女群体，特别是广大农村，医疗资源相当缺乏，我觉得有机会。”
2000年，孙小蓉回到国内，开始借助研究所的力量推广她的自动化筛查技术。
“我完全不懂生意，但是我想做这件事情，我也觉得我应该做这件事情，所以就办了这家公司，政府给了特别多的支持。”孙小蓉回忆。
创业期间的艰辛自不用说，用一句话概括就是：“我们没钱，有时候还免费给别人做（检测），但是我们很开心，而且活下来了。”
兰丁不仅活下来了，还完成了它的原始积累。
“这么多年，我们积累了大量的数据，常见癌细胞的特征和数据都在我的库里面存着，待检的标本拿过来，用机器对比一下就可以看出结果。”孙小蓉介绍，几分钟的时间，机器人兰丁就可以完成一次容量达上万个细胞的标本筛查，结合1000多个参数自动生成检测报告。
来自社会实践的反馈，更让孙小蓉觉得“值得”。据介绍，武汉市汉南区首批200多名育龄妇女参加筛查，当即就发现了4个早期宫颈癌患者，由于争取到了宝贵的治疗时间，患者全部成功治愈。
以恒心推动智能检测平台走向全球
随着时间的积累，孙小蓉和她的兰丁高科引起越来越多的关注和认可。2014年，兰丁自主研发的自动细胞DNA检测分析仪通过了美国FDA验证。此外，公司也创建了我国第一家从事肿瘤细胞早期诊断的第三方中心实验室。
“我给他们讲，这是一件很高级的事情，价值摆在那里，你把事情做好了，需要的人自然回来找你。”孙小蓉对记者说，这也是她创业的底气。
对于非专业人士，孙小蓉喜欢拿筛选黄豆来讲解自己的独门技术。
“筛查癌细胞，就好比在一盆黄豆中间找出那些坏了的黄豆，传统的病理学方法是人工挑拣，只能一颗一颗地看，我们用机器来筛选，效率肯定要高很多，随着我们数据量的积累，加上算法的改进，准确度也要高很多。”孙小蓉说，到现在为止，可以大胆地说，人工智能技术已经颠覆了癌症筛查这个行业。
据了解，传统的宫颈癌筛查主要靠病理医生通过显微镜肉眼观测，依据颜色和大小作出判断，一个经验丰富的病理医生，一天最多看100张细胞玻片。“兰丁”宫颈癌诊断机器人，通过光电技术对细胞内的染色体进行比对，“借助统计学和概率学的原理，数据化之后，机器不仅可以做出诊断，而且质量比人眼观察要高。”
随着技术的进步，兰丁的业务模式也逐步升级。孙小蓉介绍，创业初期公司以卖设备和耗材为主，客户主要是医院，通过智能化的设备提升病理学医生的效率，后来发展到“卖服务”，医院和其他医疗机构将细胞切片送到公司，公司提供检测服务。
“现在我们大部分的营收已来自医疗AI+云服务。”孙小蓉介绍，从2015年开始，公司开始研发细胞云诊断平台，至今已完成商业试点。“有了这个平台，全世界任何一个地方，只要需要进行癌细胞的诊断，在完成细胞标本图像信息的收集后，把细胞信息传递到兰丁云平台上完成智能诊断工作，通过手机就可以收到诊断报告。”
今年3月28日，中国妇幼保健协会和武汉大学兰丁人工智能细胞病理研究中心在北京国际会议中心宣布，兰丁宫颈癌人工智能云诊断平台从4月起对外开放。如今随着这平台的开放，世界多国、特别是“一带一路”沿线国家的妇女开始获得由中国的人工智能技术提供的高质量、低成本宫颈癌筛查服务。
据了解，兰丁是阿里健康AI开放平台的核心合作伙伴之一，围绕“兰丁阿里细胞云”项目双方展开深度合作。
“现在来找我们合作的机构很多，全世界的都有，因为在早期癌症筛查方面，不论是质量成本还是效率，我们的优势都很明显。我们也觉得，应该用这个技术造福人类。”孙小蓉说，这是兰丁的初衷，也是使命。