人工智能在結(jié)直腸癌數(shù)字化病理圖像分析 中的應(yīng)用治療需進(jìn)行準(zhǔn)確的生物標(biāo)志物評估，如何更快、更準(zhǔn)確及更全面地作出病理診斷面臨巨大挑戰(zhàn)，這也成為病理學(xué)科發(fā)展的新契機(jī)。泛，極大推動了“精準(zhǔn)醫(yī)療”的發(fā)展。數(shù)字化病理圖像的出現(xiàn)為人工智能與病理學(xué)搭建了橋梁，基于人工智能對數(shù)字病理圖像的數(shù)據(jù)挖掘及深度學(xué)習(xí)，病理診斷逐漸從定性分析發(fā)展為定量分析，促進(jìn)了數(shù)字化病理及病理組學(xué)的發(fā)展。結(jié)直腸癌是一種常的化性。2018全癌計數(shù)據(jù)分329.2[1]腸癌的發(fā)病在性分3、5[2]發(fā)病。以結(jié)直腸癌為切入點，從篩查診斷、分類/分、指導(dǎo)治療及預(yù)后等方面闡述人工智能在數(shù)字化病理圖像分析的應(yīng)用現(xiàn)在，為臨床診療提。數(shù)字病理學(xué)及人工智能“精準(zhǔn)醫(yī)療”時代其主觀性不可準(zhǔn)確化弊端日漸顯露。全視野數(shù)字圖像（WSI）可應(yīng)用計算機(jī)全切片數(shù)字掃描技術(shù)將組織切片轉(zhuǎn)換為高分辨數(shù)字圖像[3]。WSI出現(xiàn)促進(jìn)了數(shù)字學(xué)展破解了學(xué)切片儲存、疾遠(yuǎn)程會中難題一定程度解決了醫(yī)療資源地域分布不均問題極大提高了效準(zhǔn)確性。第一個用于數(shù)字學(xué)全玻片成像系獲批，標(biāo)志學(xué)數(shù)字圖像分析時代到[4]?，F(xiàn)階段數(shù)字病學(xué)到一精準(zhǔn)醫(yī)療展準(zhǔn)確標(biāo)志了組織學(xué)中高通精確。1956提出,其一計算機(jī)學(xué)、數(shù)學(xué)多種學(xué)技術(shù)學(xué)涵蓋用于模展應(yīng)用系[5]。機(jī)學(xué)一個子領(lǐng)域其應(yīng)用計方法以優(yōu)化定任務(wù)可從腫瘤圖像中提取與患者預(yù)后相信息構(gòu)建預(yù)測型。度學(xué)機(jī)學(xué)一種方法應(yīng)用度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像數(shù)據(jù)深層律可強(qiáng)圖像分析力。[6-7]、習(xí)算法在中有望改變惡性和治療層方式是在又一里碑事件。深習(xí)在析中主要方法深習(xí)是機(jī)器習(xí)和研究最新趨勢神經(jīng)網(wǎng)絡(luò)是一種習(xí)算法其構(gòu)成大多深習(xí)方法基礎(chǔ)。是一包含卷積計算且具有深度結(jié)構(gòu)前饋神經(jīng)網(wǎng)絡(luò)是深習(xí)模型中最重要一種算法，預(yù)處、細(xì)胞核與核裂象量、/級等[9-13]GoogleNet[14]ResNet[15]等基CNN深習(xí)模型不出得到了空前發(fā)展。2015年Ronneberger等]出U-Net模型解醫(yī)中與,是深習(xí)在方。U-Net器、模和解器成是一種卷積網(wǎng)。U-Net模型結(jié)一統(tǒng)據(jù)增強(qiáng)和據(jù)擴(kuò)充算法而效利有限標(biāo)注據(jù)以 達(dá)到良好。2017ShelhamerNAlexNetGoogleNet輸入大小的限制可通過使用卷積層替原有割的全連接層將語義級別的圖像轉(zhuǎn)換為像素級為圖像割方法的發(fā)展奠定基礎(chǔ)。循環(huán)神經(jīng)N）是通過循環(huán)結(jié)構(gòu)挖掘數(shù)據(jù)中的時序信息以及上下文語義信息的。RNN繼而通過內(nèi)部的結(jié)構(gòu)設(shè)計有效捕捉序列之間的關(guān)系特征,按照鏈?zhǔn)叫蛄械捻樞蛞来屋斎氲街羞M(jìn)行訓(xùn)練。2019Campanella利用N進(jìn)行腫瘤陽性或陰性預(yù)測該研究25WSI進(jìn)行訓(xùn)練100的。成）用圖像的別分基礎(chǔ)。工智能在數(shù)字病理圖像中的主要工作流程 隨著計算機(jī)輔助診斷(CAD和圖像掃描技術(shù)的發(fā)展WSI已逐漸取傳統(tǒng)病理廣泛用乳腺癌、前列腺癌胃癌腸癌及黑素瘤不同癌癥的病理診斷領(lǐng)域[20-22]。結(jié)合 WSI和 CAD技術(shù)進(jìn)行圖像割、和檢測是一種更 有效、準(zhǔn)確、客觀的診斷方法也是腫瘤精準(zhǔn)診療的新工具 [23-24]。WSICAD、圖像呈現(xiàn)、圖像預(yù)處、特征提、圖像后處7個重步驟（1）[25]每個步驟信息反饋與其他步驟相聯(lián)使個構(gòu)成一個有機(jī)體。圖1 計算機(jī)輔助方法進(jìn)行結(jié)直腸癌全字像分析結(jié)構(gòu)圖[25]人智能字在結(jié)直腸癌中應(yīng)用/分類及預(yù)后預(yù)測計算機(jī)輔助技術(shù)發(fā)展一定度上減少了科生量提高了質(zhì)量與效率。CAD常使用經(jīng)典機(jī)器習(xí)方法人提取圖像特征（如形狀、顏色和紋）然后分類器進(jìn)行分類[25]。數(shù)字病理通過CNN模型可對圖像中的直腸腺瘤進(jìn)行分析， 判斷其良惡性。 Kainz等[26]在腸道腫瘤 HE染色圖像中使用兩種不同的 CNN分類器對圖像進(jìn)行分割識別，良惡性診斷準(zhǔn)確率可達(dá) 95～98。Chen等[27]在結(jié)直腸癌活檢病理圖像中應(yīng)用IL-MCAM框架， 成功將腸道活檢病理良惡性診斷準(zhǔn)確率提高至 99。在消化系統(tǒng)腫瘤中，腫瘤出芽是腫瘤細(xì)胞高侵襲性的一 種特征性形態(tài)表現(xiàn),與腫瘤復(fù)發(fā)及轉(zhuǎn)移密切相關(guān)[28-29]。Liu等[30]基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(FR-CNN)方法，建立直腸癌腫瘤出芽病理自動診斷平臺，能夠快速、準(zhǔn)確地為病理醫(yī)生提示圖像中存在的腫瘤出芽結(jié)構(gòu)及數(shù)量。TNM分期系統(tǒng)被認(rèn)為是確種癌方法的準(zhǔn)，被醫(yī)生使用。 Gupta等[31]用結(jié)腸癌的TNM分期及法等機(jī)器方法5病生存期的準(zhǔn)確率可達(dá) 84。Reichling等[32]用基于一型性的病 理切生成能，用于Ⅲ期結(jié)直腸癌 與 CD3、CD8免疫浸潤的關(guān)系，使用自動程序可幫助病理醫(yī)生更好地確Ⅲ期結(jié)直腸癌的。結(jié)直腸癌分子亞型Guinney[33]CM，CMS1()、CMS2 (經(jīng)典)、CMS3 (代謝)及CMS4(間質(zhì))。Popovici]應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)D-CN模功從常規(guī)HE染色組織圖像中別出總84。廖俊[35]利CNNVGGInceptionV3ResNet其變別切片級別準(zhǔn)確率為51.72典CMS切片級別準(zhǔn)確率達(dá)75.00。CNN具有自動從輸中提取其習(xí)特征能力HE圖像中含足夠信息來預(yù)測CMSHECNN別具有巨大力應(yīng)[36]。預(yù)測度MSI-dMMR能從中極能從新輔助中[37]。MSI/MMR伴檢測為常規(guī)項于同模式敏感人群。Echle[38]HE片檢測具有dMMR或MSI靈敏度達(dá)95。Yamashita等[39]應(yīng)用深度學(xué)習(xí) MSINet模型，在預(yù)測 HE染色結(jié)直腸癌數(shù)字圖像的MSI方面超過了經(jīng)驗豐富的病理科 醫(yī)生，該模型可作為一種自動篩查工具，在MSI/MMR檢測方 面對患者進(jìn)行分流，從而節(jié)約了大量檢測相關(guān)的勞動力和成 本。 評估腫瘤免疫微環(huán)境 腫瘤免疫微環(huán)境是由腫瘤細(xì)胞、免疫細(xì)胞和非免疫基質(zhì) 細(xì)胞(包括成纖維細(xì)胞和內(nèi)皮細(xì)胞)相互作用而形成的復(fù)雜 環(huán)境。腫瘤免疫微環(huán)境在預(yù)測預(yù)后及評估免疫治療療效中的 作用日益凸顯，有望成為新的免疫治療敏篩方。Kather等過學(xué)習(xí)用動的Ⅰ結(jié)直腸癌HE圖像具有的特CNN，結(jié)直腸癌病理學(xué)圖像的不同類型，尤其是 腫瘤基質(zhì)類型，證實 CNN能夠根據(jù)病理圖像評估腫瘤微 環(huán)境并預(yù)測預(yù)后。 V? yrynen等[42]應(yīng)用有監(jiān)督的機(jī)器學(xué)習(xí)對HE染色微陣列數(shù)字圖像進(jìn)行研究，在結(jié)直腸癌腫瘤上皮內(nèi)區(qū)和間質(zhì)區(qū)中對淋巴細(xì)胞、漿細(xì)胞、中性粒細(xì)胞和嗜酸性粒細(xì)胞進(jìn)行了 分類及計數(shù)，突出了機(jī)器學(xué)習(xí)評估 HE染色切片中免疫微環(huán) “”靠近趨勢應(yīng)運而旨深度挖掘信息自動習(xí)切片定量化特征與影、因、蛋白等建立一定聯(lián)系形成多交互式診斷體系。目前應(yīng)用、影因進(jìn)行整實體子診斷中取得了一定成果。Sun[43]應(yīng)用機(jī)器習(xí)算法開立了一CD8用CT中取特征實體PD-1PD-L1反應(yīng)。Wang等[44]因中因數(shù)算法善直腸診斷。Ferrari[45]用隨機(jī)森林算法T2權(quán)MR特征識別局部晚期直腸患者新輔助化療后完全緩解患者。通過深度挖掘中包含信息這些信息應(yīng)用到