原文作者為 Google 的技術主管 Martin Stumpe 和產品經理 Lily Peng，由 雷鋒網 AI 科技評論編譯，INSIDE 獲授權轉載。

為了解決診斷時間有限和診斷結果不一致的問題， Google 研究室正在探索如何讓深度學習在數位病理學領域發揮作用，透過建立自動檢測演算法，在病理學家的工作中提供輔助。

在檢查患者的生物組織樣品後， 病理學家的報告通常是許多疾病的黃金診斷標準。特別是對於癌症，病理學家的診斷對患者的治療具有深遠的影響。病理切片審查是一個非常複雜的任務，需要多年的培訓才能做好，豐富的專業知識和經驗也是必不可少的。

儘管都經過培訓，但不同病理學家對同一患者給出的診斷結果，可能存在實質性的差異，而這可能導致誤診。例如，在某些類型的乳腺癌診斷中，診斷結論一致性竟低至 48％，前列腺癌診斷的一致性也同樣很低。診斷缺乏一致性低並不少見，因為如果想做出準確的診斷，必須檢查大量的資訊。病理學家通常只負責審查一張切片上所有可見的生物組織。然而，每個患者可能有許多病理切片，假設以 40 倍的放大倍數進行數位化切片圖像，每個患者的圖像數據都超過 10 億個像素。想像一下，要遍歷 1 張 1 千萬像素的照片，並且必須對每個像素的判斷結果負責。不用說了，這裡有太多的數據需要檢查，而時間往往是有限的。

為了解決診斷時間有限和診斷結果不一致的問題，我們正在研究如何讓深度學習數位病理學領域發揮作用，透過建立一種自動檢測演算法，在病理學家的工作流程中提供輔助工具。 Google 研究室使用由 Radboud 大學醫學中心提供的圖像數據來訓練診斷演算法，這些圖片也在 2016 ISBI Camelyon Challenge 中使用，目前該演算法已被優化，用於定位出乳腺癌向乳房相鄰的淋巴結擴散。

在乳腺癌擴散定位任務中，使用現成的標準深度學習方法如 Inception（也稱為 GoogLeNet），表現也是相當不錯，雖然生成的腫瘤機率預測圖還是存在噪點。我們對這個訓練網路做了強化，包括用不同的放大倍數的圖片來訓練模型（非常像病理學家所做的），從訓練結果來看，我們有可能訓練出一個系統，它的能力可以相當於一個病理學家，甚至有可能超過病理學家的表現，並且它擁有無限的時間來檢查病理切片。