背景：7月28日，騰訊雲在北京舉辦雲+社群沙龍，邀請來自騰訊與四川雲檢科技的五位AI技術專家，分享他們在專業領域的AI開發經驗，幫助開發者在具體行業場景中實踐AI技術。本文根據江鋮在【7.28日騰訊雲+社群技術沙龍-AI技術全面場景化落地實踐】現場演講內容整理而成。

講師介紹

江鋮，武漢大學博士，法國傅立葉大學博士後，騰訊AI醫療中心高階工程師。研究方向主要為乳腺癌鉬靶和病理AI學習系統構建。

本次分享大綱：

1.AI乳腺癌診斷的研究背景

2.乳腺鉬靶AI診斷系統

3.乳腺病理、核磁共振和超聲研究

4.總結

AI乳腺癌診斷的研究背景

隨著時代的進步和經濟發展，人們的健康意識日益提高，同時伴隨著AI技術的發展，AI醫療理所應當地成為了網際網路行業內的風口，值此之際，騰訊推出了騰訊覓影，目前已經涵蓋了食管癌、肺癌、乳腺癌、結腸癌、宮頸癌和糖尿病性視網膜病變。

為什麼研究乳腺癌？

開展乳腺癌方向的研究簡單來說主要基於兩方面的原因，一是對於女性來說乳腺癌是所有惡性腫瘤當中發病率最高的一種，在國內約佔全部惡性腫瘤的17%左右，正嚴重危害著女性的健康；二是乳腺癌雖然發病率很高，但如果在較早期發現，治癒的可能性非常高。相對美國來說，我國的五年生存率還較低，這主要是因為中國人口基數過多，有經驗的影像科醫生較為缺乏，使得大範圍早篩困難重重，騰訊覓影釋出的AI乳腺癌診斷系統能夠有效緩解這一矛盾，最大限度地幫助患者和醫生。 

AI乳腺癌一體化診療系統

現在對乳腺癌的診斷主要依賴超聲、鉬靶、核磁共振、病理和基因等，對於一般的三甲醫院，通常先使用鉬靶進行篩查，如果無法定性，會要求病人進一步進行超聲和核磁共振檢查，如果出現疑似惡性的情況，將進行病理穿刺檢查，並對是否癌變，惡性程度以及分子分型做出判斷。

我們的目標是能夠把這些資料模態有機地結合起來，形成一個完整的體系，從而提高乳腺癌的診療技術。由於其中最主流和有效的篩查診斷方式是鉬靶，因此我們在這方面的研究開展最早，目前騰訊的AI鉬靶乳腺癌診斷系統已經對外發布，並已經在30多家三甲醫院落地試用。

乳腺鉬靶AI診斷系統

1.目標功能

乳腺鉬靶診斷系統主要包含三方面的目標功能。第一是實現了疑似病灶的定位；第二是給出了乳房的良惡性判定；第三是能夠自動生成影像報告。這些功能的目標是實現和醫生的相互配合，減少誤診率和漏診率，並且隨著模型的不斷優化可以逐步地降低醫生的勞動強度。

2. 技術框架

這三方面的目標功能是如何實現的呢？這主要基於一個包含三個維度的技術框架。其中架構前端是鉬靶影像的前處理層；中間層是AI學習模型；最後是通過醫生反饋對前兩部分進行的動態更新層。

在前處理層，主要是對不同廠商（例如西門子、Hologic、GE）裝置進行窗寬窗位的歸一化適配，使得輸入後續演算法的資料具有儘可能類似的風格。另外，會結合醫生的看片經驗，對於可能的異常區域進行ROI提取，以儘可能地減少不相關資訊的干擾。

在中間層，我們為了乳腺癌鉬靶檢查而重新設計了全新的神經網路模型TMuNet，該網路包含四個方面的特點。第一是傳統的網路輸入通常都是單圖輸入，而現在的方案可實現對左右乳CC位和MLO位進行對比的四張圖同時輸入；第二是採用多尺度網路，使得圖片輸入網路前不需要進行縮放；第三是漸進式的網路構建，這種方式類似大腦學習過程，它把疑難問題分解後逐層解決，在構建網路時由區域性到整體，由單幅影象到多幅影象；第四是自步學習的訓練方式，類似於大腦由易到難的學習方式，先將訓練的樣本按難易程度進行分類，在訓練過程當中由易到難地逐步把樣本加進去，對模型進行多輪訓練，這可以讓模型達到最好的效果。

3.當前精度

在三層技術框架下，通過對各項技術合理的組織和運用，系統達到了業內領先的水平。在我們的工作經驗中，我們發現疑難病例的數量和種類能在很大程度上決定AI系統的上限。因此，我們非常注重資料集的運營，對於部分難例，我們會請專家進行標註或者利用病理和其他模態資料進行交叉確認。

1.乳腺病理

目前乳腺癌病理研究主要解決兩方面問題，第一是組織學分級，即定義腫瘤惡性的程度，它主要依據核分裂計數、核多形性打分、腺管形成程度三項內容；第二是免疫組化，使用不同染色片進行分子分型研究。目前研究團隊已經完成了有絲分裂技術方面的研究，並已經開展對於KI-67和HER2染色片的研究工作。對於已經完成的有絲分裂檢測部分，在學術界TUPAC專業比賽上，之前的冠軍F1 score分值為0.73，而我們的系統可以達到0.82，有很大程度的提升。精度的提升主要歸功於三方面的技術。第一點是使用了難例挖掘方式，採用多輪迭代方式然後在每一輪次對樣本進行整理，由專家確認較難的標註，再放入樣本集中強化訓練；第二點是影象的歸一化，通過使用對抗網路將影象做歸一化，達到提升；第三點是在速度上改進，拋棄原始計算機視覺中將一整幅圖切分的方式，採用共享計算和模型壓縮的效果，讓一幅病理片可以達到0.5秒以內的處理速度，基本上接近於實時。

2.核磁共振和超聲

對於乳腺MRI，有多種3D資料模態，而對於病灶的標註依然是所有研究工作的基礎。目前研究團隊推出了一種半自動標註工具，通過構造一個半自動的神經網路模型，將醫生手工資訊融入神經網路，輔助分割病灶，此標註工具可以大大加速病灶的標註，由純人工的幾十分鐘提升到1分鐘的水平。在乳腺超聲方面，我們正在開展資料收集工作，並與此同時進行相應的調研工作。

總結

通過乳腺癌AI診斷系統的研發，專案團隊對於樣本的選擇和標記，網路結構的設計，訓練方法和技巧等都有了較深的積澱。乳腺樣本庫也在不斷的豐富和擴充套件中，大量的疑難病例被逐步加入，一步步地構建著產品的護城河。在各模態資料研究逐漸成熟之後，我們的最終目標是將多個模態資料進行融合，實現高精度診斷和個性化的服務，這將極大地造福患者和醫生。

在公眾號後臺回覆“乳腺癌AI”可獲得本次沙龍上分享的PPT。