PAIthology
人工智能(AI)是一种已经到来的工具。它已经应用于无数行业，在这些行业中，它有能力产生巨大的影响。我们的目的是提高人们对人工智能工具在医疗领域的突破的认识，消除人们对这项技术的恐惧，最重要的是，展示一个与癌症相关的人工智能使用的真实案例。
为此，我们开发了用于乳腺癌早期诊断的PAITHOLOGY：AI工具。
生物应用和当前诊断方法的描述
癌症是全球主要的死亡原因，约占1000万人的死亡人数。具体地说，2020年新增癌症病例226万例，死亡人数总计685000人。
正常细胞转化为肿瘤细胞是导致癌症的主要原因。这些变化是个别遗传因素与外部因素相互作用的结果，这些因素包括辐射、化学致癌物(例如烟草)或生物致癌物(例如病毒、细菌或寄生虫)。
然而，虽然癌症发病率随着年龄的增长而增加，但通过避免危险因素和实施预防策略，高达50%的癌症是可以预防的。这些预防策略包括早期发现，这直接导致更大的生存概率和对治疗的更好反应。在这项工作中，我们将重点放在早期发现、深入的临床评估和通过医学病理学提供诊断服务的其中一个方面。
具体地说，我们想把重点放在病理学家处理乳腺癌活检的工具上。为了解释我们的解决方案，我们必须首先介绍目前用于测量癌症分期的方法。
这种疾病的特点是扩散到正常边界之外的异常细胞迅速增殖。简而言之，癌细胞可以比正常细胞更快地复制和分裂(这一过程称为有丝分裂)。正常情况下，这种异常细胞或突变通过不同的身体机制(例如凋亡(细胞自杀))被消除，这一过程在癌症发展的第一步不会发生。
这样，一种明确的癌症检测方法是通过异常快速的细胞生长，这在显微镜下被认为是高有丝分裂计数。然而，病理学家的任务是在活检图像中检测这些微结构，其特点是图像非常重，粒度很大，当放大时，会发现越来越小的结构，直到到达细胞水平。因此，图像中数千个细胞中很有可能没有计算出一个有丝分裂细胞。在寻找有丝分裂细胞时面临的另一个大问题是正常细胞、凋亡细胞和有丝分裂细胞之间的紧密联系，这使得寻找有丝分裂细胞的任务变得极其困难和耗时。
要解决上述所有问题，我们要提出的是一个规范、高效的解决方案。这个工具能够处理整个图像，并高度自信地定位正在发生有丝分裂的地方，然后计算有丝分裂指数来估计癌症状况。
数据集
为了训练我们的有丝分裂检测模型，我们使用Mitos-Atypia-14数据集，特别是扫描仪Amperio的训练样本。MITOS-ATYPIA-14 
数据集的每个图像都放大了x20(中间)和x40(右)。每张x40放大图像都有注释，根据三位病理学家的标准显示是否存在有丝分裂细胞。有丝分裂细胞的置信水平由此产生：
为简单起见，我们决定基于两类细胞来训练我们的模型：有丝分裂细胞和正常细胞。我们放弃了未有丝分裂的注释，因为我们认为它们属于正常细胞的类别，我们还认为第三类未有丝分裂可能会带来噪音并转移问题的焦点。
综上所述，我们收集了所有有丝分裂的注释，置信度在0.65以上。
为什么选择深度学习模式？
深度学习有可能自动提取特征，而不需要手动输入它们，例如细胞大小、颜色或形态。深度学习的使用将大大加快预测时间，反映(甚至超过)医生的准确性，以及创建一个统一的有丝分裂检测标准。
在下图中，我们可以看到，由于有丝分裂在形状、大小和分布上有大量的变异，因此很难分类。
(继续第2部分：真实医疗问题的对象检测)
原创文章，作者：fendouai，如若转载，请注明出处：https://panchuang.net/2021/06/19/paithology%ef%bc%9a%e6%97%a9%e6%9c%9f%e4%b9%b3%e8%85%ba%e7%99%8c%e8%af%8a%e6%96%ad%e7%9a%84%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e5%b7%a5%e5%85%b7%e7%ac%ac1%e9%83%a8%e5%88%86%ef%bc%9a%e9%97%ae-2/
fendouai 