基于深度学习的人工智能技术在体外诊断产品中的应用及思考

6/6基于深度学习的人工智能技术在体外诊断产品中的应用及思考人工智能作为计算机科学行业的顶尖技术之一，从1956年达特茅斯会议上正式提出开始就一直备受各行业关注。伴随着神经网络、深度学习、图像识别等这些关键技术取得的突破性进展，新一轮的人工智能将实现从感知智能、计算智能朝着认知智能的领域去跨越。近些年以来，医疗领域在数字化方面的进程，不断的朝着纵深的方向去推进，并且逐渐将人工智能这项技术作为工具，去优化现有的医疗技术。人工智能在体外诊断产品的应用已有广泛研究，一些基于深度学习的人工智能技术为原理的产品已经定型，并且完成了临床研究。本文从人工智能在体外诊断产品中的几方面应用进行介绍。

一、外周血细胞图像辅助识别软件

血细胞形态是血液病诊断分型的基本实验室检查，白细胞的计数及分类是血细胞形态分析的重要内容，在疾病诊断过程中具有非常重要的作用。现代的血液分析仪器可精确的计数白细胞并分类，但在临床实践中，如样本中存在异常白细胞，则在血液分析仪进行细胞分析过程中会出现计数异常的情况，此种情况下，需要对血液样本进行涂片，采用人工的手段对白细胞进行分类及计数。白细胞的异常通常与疾病相关，如：在炎性和感染性疾病（病毒感染）的各种免疫刺激下，以及在肿瘤疾病（白血病或淋巴瘤）时，淋巴细胞形态有很大的变化，会出现数量不等的形态异常的淋巴细胞。临床上，对血细胞形态的鉴别及计数是一项技术含量高，且耗时较长的一项工作。因此，针对临床检验过程中外周血血常规异常并需要进行复检的病例样本及临床上怀疑血液系统疾病病例的样本，在技术人员进行血涂片镜检时借助基于人工智能技术的外周血细胞图像辅助识别软件能够提高技术人员对各类白细胞识别的准确性，提高其工作效率。

对于上述临床预期适用场景，北京小蝇科技有限责任公司开发了外周血细胞图像辅助识别软件，采用人工智能深度学习技术，首先对外周血细胞图像进行预处理，然后调用人工智能算法引擎对图像进行分割、识别，并输出分析结果，该产品可识别中性杆状核粒细胞、中性分叶核粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞等六种正常白细胞及异常白细胞、染色失败、涂抹细胞等三种异常细胞。该产品临床研究显示，使用该软件产品的研究者与未使用该软件产品的研究者在识别细胞准确性上具有显著提升。该产品目前在技术审评过程中，关于该产品临床试验过程与产品临床预期使用场景是否相符及产品临床试验入组病例是否涵盖了临床常见的白细胞异常病例等问题需要进一步确认。

二、宫颈细胞学图像计算机辅助分析软件

宫颈癌一直是威胁女性身体健康的一大杀手，近几年，随着对其致病因素，发病机制，诊断和治疗方法的研究，人们已经普遍达成共识，HPV感染是宫颈癌的主要致病因素之一，正因为这个特点，使得宫颈癌成为一个可预测，可预防的肿瘤。那么寻找一种简单快速，结果可靠的筛查方法，早期发现癌前病变，非常重要。宫颈细胞学技术是得到了广泛的认可和接受宫颈癌筛查技术。液基薄层细胞制片技术（TCT）是现在广泛应用于临床的细胞学检查。但在应用过程中，临床医生也发现了存在的一些问题：其一，该检查结果为病理科医师进行判读，主观性较强，且其判断的准确性也与其经验密切相关；其二，细胞学检查的报告周期长，有些地区要长达两周才能得出结果，患者在等待的过程中其实承担着不必要的压力。随着数字病理学的发展，可将宫颈液基细胞学制片扫描为宫颈细胞数字病理图像，病理科医师在结果判读过程中使用基于人工智能的宫颈细胞学图像计算机辅助分析软件对结果进行分析判读，减少常规检查中人为主观因素对检查结果的影响，可以提高判读的敏感性及准确性，同时可以显著提高判读速度，避免患者漫长等待，提高了患者就医过程的舒适度和满意度。

由我国玖壹叁陆零医学科技南京有限公司自主开发的宫颈细胞学辅助分析系统为适用上述临床需求而开发的产品，该产品目前已进入技术审评环节，采用深度卷积神经网络算法对影像中的细胞核进行分割，通过细胞核的位置进而选取得到细胞小图像块，再经过对细胞小图像块进行图像分类后，实现对宫颈细胞学病理影像中异常细胞的计数和定位识别功能；通过决策算法对细胞图像块的分类结果进行分析，实现宫颈癌细胞学检查的辅助诊断的功能。该产品目前在技术审评过程中，关于临床试验中针对宫颈细胞学不同病变细胞种类（HSIL、LSIL等共七种）的标记准确性是否应进行统计分析及软件辅助阅片模式中阅片医生对单独软件判读结果更改的情况等问题需要进一步确认。

三、病理图像计算机辅助分析软件

病理图像的人工智能分析与数字病理学的发展息息相关。近年来兴起的数字病理(digitalpathology，DP)是指将计算机和网络应用于病理学领域，它的核心技术是全玻片数字扫描与病理图像分析算法。全玻片数字扫描技术(wholeslideimaging，WSI)是一种现代数字系统与传统光学放大装置有机结合的技术，它通过全自动显微镜扫描采集得到的高分辨数字图像，再应用计算机对得到的图像自动进行高精度、多视野的拼接和处理，量化病理图像的形状、大小和颜色等信息，从而得到数字切片。数字切片可用于图像检索、模式识别、计算机学习和深度学习，从而为建立计算机辅助诊断系统(computer-aideddiagnosis，CAD)数学模型奠定基础。然而，WSI包含大量复杂、冗余的信息，需要通过筛选挖掘出特征数据，才能根据特征提取的结果进一步做出病理诊断。病理图像分析算法因运而生，目前该方面的算法常用的主要有支持向量机(supportvectormachine，SVM)、AdaBoost和深度卷积神经网络(Convolutionaleuralnetwork)等，用于解决特征提取、检测和分割、分类和分级任务。常规病理检测病例医师常常因为长时间的人工阅片常导致诊断准确率下降，且病理医师的诊断具有一定主观性，由于疲劳阅片及主观差异性等因素势必会带来一定的误诊率，从而导致病例的误治。人工智能病理分析软件因其独特的优势，有望在临床应用中解决上述问题。

目前，我国尚无成熟的人工智能病理病理图像计算机分析系统。但是，美国FDA通过DeNovo批准了Paige.AI,Inc.公司的PaigeProstate软件，该产品预期用途为基于全玻片数字扫描技术辅助病理医师检测出前列腺活检切片图像中有很大可能存在癌症的重点区域，以便进一步评估这个值得关注的区域，特别是如果初次检测时没有发现的目标区域。该产品临床研究结果显示，病理医师使用该产品假阴性率减少了70%，使假阳性率减少了24%。

四、思考

（一）临床预期用途

随着人工智能技术的发展以及该技术在临床的应用，基于人工智智能技术的体外诊断产品，如外周血细胞图像辅助识别软件、宫颈细胞学图像计算机辅助分析软件及病理图像计算机辅助分析软件等，在充分考虑产品临床应用的风险与受益的情况下，该类产品预期用途应为辅助临床相关操作人员对结果进行判读，相关产品判定结果不应单独作为病例检查结果判定的依据。

（二）临床试验评价指标

为了充分确认该类产品预期用途，建议临床试验采用可采用优效性设计或非劣效性设计。该类产品临床试验过程中一般采用独立的专家组判读结果作为“金标准”，使用试验软件的研究者与不使用软件研究者同时与金标准进行比对。临床试验应能够确认使用软件的研究者与未使用软件的研究者在结果判读的灵敏度、特异性、准确性等方面显著有效；或能够确认使用软件的研究者与未使用软件的研究者在结果判读的灵敏度、特异性、准确性等方