逆天！新型AI識別癌癥，近100%精準(zhǔn)度碾壓醫(yī)生。

AI在醫(yī)學(xué)領(lǐng)域越來越厲害啦！有一種新研發(fā)的AI，診斷癌癥的本事比專業(yè)醫(yī)生還牛。

在不久的將來，用AI識別癌癥或許會成為常見的事。

包括澳大利亞Charles Darwin大學(xué)（CDU）在內(nèi)的國際科研團(tuán)隊，搞出一個叫ECgMPL的模型。

論文鏈接：https://www.sciencedirect.com/science/article/pii/S2666990025000059?via%3Dihub

ECgMPL專門分析細(xì)胞和組織的微觀圖像，用來查子宮內(nèi)膜癌。子宮內(nèi)膜癌是常見的生殖系統(tǒng)腫瘤之一，而這個AI模型的準(zhǔn)確率高達(dá)99.26%！

研究人員還發(fā)現(xiàn)，這個模型經(jīng)過調(diào)整，還能診斷很多其他疾病，如結(jié)直腸癌、口腔癌。

CDU的Asif Karim博士參與了這項研究，他表示，ECgMLP模型的準(zhǔn)確率高達(dá)99.26%，比現(xiàn)在用的那些診斷方法都強(qiáng)，計算速度還特別快。

通過消融研究、自注意力機(jī)制，再加上高效的訓(xùn)練，這個模型在很多組織病理學(xué)數(shù)據(jù)集上都能很好地發(fā)揮作用，是臨床診斷子宮內(nèi)膜癌的得力助手。

這個經(jīng)過大量數(shù)據(jù)訓(xùn)練的AI模型，在查看微觀掃描圖像（也就是組織病理學(xué)圖像）的時候，能把圖像變得更清晰，這樣就能發(fā)現(xiàn)癌癥早期的癥狀。

有些微小變化醫(yī)生用眼睛很難發(fā)現(xiàn)，但AI模型一下子就能找到。

現(xiàn)在，醫(yī)生診斷的準(zhǔn)確率大概在78.91%到80.93%之間。

子宮內(nèi)膜癌如果能早點(diǎn)發(fā)現(xiàn)，是可以治療的，患者的五年預(yù)后效果也不錯。但要是癌細(xì)胞擴(kuò)散到子宮外面，治療起來就麻煩了。所以，及時診斷對挽救患者生命特別重要。

訓(xùn)練所用數(shù)據(jù)集的樣本圖像，展示了正常子宮內(nèi)膜（NE）、子宮內(nèi)膜息肉（EP）、子宮內(nèi)膜增生（EH）和子宮內(nèi)膜腺癌（EA）

現(xiàn)在，美國已經(jīng)有超過60萬人得過子宮內(nèi)膜癌?？茖W(xué)家發(fā)現(xiàn)，ECgMLP的用途可不只是診斷子宮內(nèi)膜癌。

澳大利亞ACU的副教授Niusha Shafiabady表示，用同樣的辦法，還能又快又準(zhǔn)地查其他病，這樣病人就能得到更好的治療。

他們用這個模型測試了好多不同的組織病理學(xué)圖像數(shù)據(jù)，發(fā)現(xiàn)它查結(jié)直腸癌的準(zhǔn)確率能達(dá)到98.57%，查乳腺癌的準(zhǔn)確率是98.20%，查口腔癌的準(zhǔn)確率也有97.34%。

不過，這個AI模型可不是要搶醫(yī)生的「飯碗」。

它是和癌癥專家一起合作，幫醫(yī)生更準(zhǔn)確地診斷病情，還能看看治療的效果好不好。

用這個模型診斷癌癥，速度更快、容易實(shí)現(xiàn)，成本也更低。

Shafiabady補(bǔ)充道，這項研究的AI模型可以作為軟件系統(tǒng)的大腦，協(xié)助醫(yī)生進(jìn)行癌癥診斷的決策。

研究人員強(qiáng)調(diào)：「早點(diǎn)發(fā)現(xiàn)、準(zhǔn)確診斷子宮內(nèi)膜癌，對治療和控制病情非常關(guān)鍵。用深度學(xué)習(xí)算法分析組織病理學(xué)圖像，在診斷子宮內(nèi)膜癌方面，不管是準(zhǔn)確率還是處理速度，表現(xiàn)都特別好?！?/span>

構(gòu)建ECgMLP

ECgMLP模型的構(gòu)建離不開高質(zhì)量的數(shù)據(jù)集。

研究團(tuán)隊收集了新鮮的子宮內(nèi)膜標(biāo)本，由三位具有十多年病理學(xué)實(shí)踐經(jīng)驗(yàn)的病理學(xué)家在光學(xué)顯微鏡下仔細(xì)檢查組織學(xué)切片，一致選擇具有診斷結(jié)果的代表性蘇木精-伊紅（H&E）切片。

這些切片通過Mixotic掃描儀數(shù)字化，以10倍或20倍放大倍數(shù)捕獲為高分辨率圖像，再用Olympus ImageView從原始全切片圖像中提取病變或健康組織的組織病理學(xué)區(qū)域。

最終形成的數(shù)據(jù)集包含3302張jpeg格式的圖像，分為子宮內(nèi)膜腺癌、子宮內(nèi)膜增生、子宮內(nèi)膜息肉和正常子宮內(nèi)膜4類，每類又包含不同數(shù)量的圖像和亞型。

這個數(shù)據(jù)集為模型的訓(xùn)練和優(yōu)化提供了堅實(shí)的基礎(chǔ)。

圖像預(yù)處理

圖像預(yù)處理是 ECgMLP 模型的重要環(huán)節(jié)，它直接影響到后續(xù)分析的準(zhǔn)確性。

研究采用了多種預(yù)處理技術(shù)，包括歸一化、α-β變換和非局部均值（NLM）去噪算法。

歸一化通過將圖像的像素值縮放到0到1之間，使不同圖像具有可比性，便于從不同光照條件下捕獲的圖像中一致地提取特征。

其公式為

，這種標(biāo)準(zhǔn)化為后續(xù)的分析提供了的基礎(chǔ)。

α-β技術(shù)則通過調(diào)整像素值來優(yōu)化視覺對比度。α參數(shù)控制圖像的對比度，β參數(shù)控制亮度。

在本研究中，α值設(shè)為1.0，β值設(shè)為2，這一設(shè)置顯著增強(qiáng)了組織和細(xì)胞結(jié)構(gòu)邊界的可見性，同時保持了可接受的信號質(zhì)量，PSNR值始終高于33dB。

NLM去噪技術(shù)通過比較圖像中的小像素塊并找到相似塊，用相似塊的平均值替換噪聲塊，有效地去除了噪聲，同時保留了關(guān)鍵的邊緣信息和組織紋理。

其公式為

，這一技術(shù)為后續(xù)的準(zhǔn)確分析提供了清晰的圖像數(shù)據(jù)。

圖像分割

圖像分割是從圖像中提取感興趣區(qū)域（ROI）的關(guān)鍵技術(shù)，ECgMLP模型采用了基于分水嶺算法的多步驟分割方法。

該過程從二值閾值化開始，通過最小化前景和背景兩類的類內(nèi)方差確定閾值，將像素分為前景和背景。

接著進(jìn)行形態(tài)學(xué)閉運(yùn)算，使用2×2內(nèi)核去除前景區(qū)域中的小孔和間隙；然后進(jìn)行距離變換，獲得每個像素到最近背景像素的距離圖；再進(jìn)行膨脹操作，擴(kuò)展前景區(qū)域。

應(yīng)用閾值處理，確定前景區(qū)域；通過從確定背景中減去確定前景得到未知區(qū)域；將原始圖像和標(biāo)記與分水嶺算法結(jié)合，實(shí)現(xiàn)圖像的精準(zhǔn)分割。

光度增強(qiáng)

為了提高模型的泛化能力，研究對訓(xùn)練集和驗(yàn)證集應(yīng)用了光度增強(qiáng)技術(shù)。

通過對圖像進(jìn)行亮度、對比度、色調(diào)、飽和度的變化以及模糊處理等多種修改，創(chuàng)建了具有不同視覺特征的原始圖像的新版本。

總共應(yīng)用了10種光度增強(qiáng)技術(shù)，例如調(diào)整亮度水平、改變對比度、利用CLAHE增強(qiáng)圖像特征、調(diào)整色調(diào)和飽和度以及應(yīng)用高斯模糊等。

這樣增加了訓(xùn)練數(shù)據(jù)的多樣性，提高了模型的泛化能力。

創(chuàng)新的ECgMLP架構(gòu)

ECgMLP模型基于gMLP架構(gòu)構(gòu)建，gMLP架構(gòu)結(jié)合了MLP和Transformer的優(yōu)勢。

每一層由一個MLP塊和一個門控機(jī)制組成，門控機(jī)制調(diào)節(jié)信息流，使模型能夠選擇關(guān)注不同的輸入組件，MLP塊則負(fù)責(zé)提取高級特征。

ECgMLP模型在此基礎(chǔ)上進(jìn)行了針對性的優(yōu)化。

形狀為[64×64×3]的圖像首先輸入到輸入層，經(jīng)過數(shù)據(jù)增強(qiáng)層增加訓(xùn)練樣本數(shù)量并減少過擬合，增強(qiáng)后的數(shù)據(jù)由形狀為[128×128×3]的補(bǔ)丁組成。

補(bǔ)丁通過補(bǔ)丁層重塑為[256×192]，再經(jīng)過全連接層提取特征。

模型包含多個順序的gMLP 層，gMLP層由多個子層組成，子層混合使用MLP和門控機(jī)制生成有信息的表示。

每個gMLP層的輸出作為下一層的輸入，經(jīng)過層歸一化和全局平均池化1D層處理后，最后通過具有4個輸出單元的全連接層進(jìn)行最終預(yù)測，對應(yīng)子宮內(nèi)膜癌的四個類別。

在訓(xùn)練過程中，使用AdamW優(yōu)化器，包括權(quán)重衰減正則化，并采用稀疏分類交叉熵?fù)p失和準(zhǔn)確率指標(biāo)進(jìn)行評估，還使用了學(xué)習(xí)率調(diào)度來提高收斂性。

此外，在gMLP層中使用ELU激活函數(shù)代替ReLU，提高了模型的穩(wěn)定性。

ECgMLP的卓越性能

消融研究

通過改變網(wǎng)絡(luò)的層架構(gòu)、訓(xùn)練參數(shù)和超參數(shù)，如圖像大小、權(quán)重衰減、批量大小、隨機(jī)失活率等，深入研究不同因素對模型準(zhǔn)確率的影響。

研究發(fā)現(xiàn)，6個ECgMLP模塊實(shí)現(xiàn)了98.61%的最佳準(zhǔn)確率，但出于實(shí)際原因選擇4個模塊，此時準(zhǔn)確率為98.52%。全局最大池化的準(zhǔn)確率達(dá)到98.74%，高于全局平均池化的98.52%。

AdamW作為優(yōu)化器表現(xiàn)最為準(zhǔn)確，準(zhǔn)確率為98.52%；激活函數(shù)中ELU的準(zhǔn)確率最高，達(dá)到99.26%；學(xué)習(xí)率為 0.003時選擇準(zhǔn)確率最高。

多指標(biāo)評估

使用多種指標(biāo)對ECgMLP模型的性能進(jìn)行評估，結(jié)果顯示該模型表現(xiàn)卓越。

學(xué)習(xí)曲線展示了模型訓(xùn)練過程中的良好表現(xiàn)，隨著訓(xùn)練的進(jìn)行，損失下降且準(zhǔn)確率上升，表明模型有效地從數(shù)據(jù)中學(xué)習(xí)，沒有過擬合的跡象，預(yù)測性能不斷增強(qiáng)。

Confusion Matrix顯示整個數(shù)據(jù)集中只有少數(shù)圖像被誤分類，這意味著模型能夠很好地對圖像進(jìn)行正確分類，準(zhǔn)確識別不同類別的子宮內(nèi)膜組織。

ROC曲線下面積（AUC）為完美的1.00，表明模型區(qū)分不同類別的能力極強(qiáng)，在不同的分類標(biāo)準(zhǔn)下都表現(xiàn)出色。

通過10折交叉驗(yàn)證，模型的準(zhǔn)確率在不同的數(shù)據(jù)分割中保持在98.99%至99.26%之間，證明了模型的穩(wěn)定性和泛化能力，在不同類型的數(shù)據(jù)上都能表現(xiàn)出持續(xù)的高性能。

泛化能力驗(yàn)證

為了評估ECgMLP模型的泛化能力，研究團(tuán)隊在多個涵蓋不同癌癥類型的外部組織病理學(xué)圖像數(shù)據(jù)集上進(jìn)行測試。

結(jié)果顯示，模型在這些數(shù)據(jù)集上都實(shí)現(xiàn)了較高的準(zhǔn)確率（>97%），證明了其對不同組織學(xué)圖像分布具有可靠的泛化能力。

即使在原始領(lǐng)域之外，ECgMLP模型也具有先進(jìn)的性能，這為其在更廣泛的醫(yī)學(xué)領(lǐng)域應(yīng)用奠定了堅實(shí)的基礎(chǔ)。