Thomas Fuchs：临床级病理AI之父，领域最大突破登上《自然》子刊｜42问AI与机器人未来

42个AI与机器人大问题之——「AI如何解决人口老龄化问题？」

9月2日在深圳举办的首届「Nature Conference - AI与机器人大会」上，Thomas Fuchs 教授将给出他的答案。

本届大会由腾讯 AI Lab 携手Nature Research（自然科研）及旗下《自然-机器智能》、《自然-生物医学工程》两本期刊联合举办。大会上将发布「42个 AI 与机器人大问题」报告，并邀请 11 位世界知名学者为这些宏大问题给出每个人独特而深刻的理解与答案。在报告中，我们还邀请到 Yoshua Bengio、Jürgen Schmidhuber和多位中国院士提供专家见解，也欢迎你参与报告调研。

「42 」源自科幻小说《银河系漫游指南》，是智能计算机「Deep Thought（深思）」经过 750 万年运算，找到的「关于生命，宇宙及一切问题的终极答案」。我们希望这个有终极目标意涵的 42 个大问题，能激发对人、AI与机器人未来的长远思考与规划。

下面我们将开启一段旅程，看看被誉为「计算病理学之父」的Thomas Fuchs 教授，如何思考AI在癌症诊断上的作用。

Thomas Fuchs 2010 年博士毕业于苏黎世联邦理工学院（ETH Zürich），对计算病理学的发展做出了非常重要的奠基性贡献。之后他曾在 NASA 喷气推进实验室从事了一段时间的研究工作，之后加入了纪念斯隆·凯特琳癌症中心，领导计算病理学研究组 Fuchs Lab。2018 年初，他创立了 AI 癌症诊断技术研发公司 PAIGE.AI。同时，他还是威尔·康奈尔医学院研究生院副教授及沃伦·阿尔珀特数字与计算病理学中心主任。

定义计算病理学

什么是「计算病理学」？Thomas Fuchs 在其 2010 年的博士论文《计算病理学——一种机器学习方法》中为计算病理学给出定义：「计算病理学（Computational Pathology）研究的是以完全概率的方式处理一般病理学中的科研和临床流程，即将实验设计、统计模式识别和生存率分析组合到一个统一的框架中，以解答病理学中的科学和临床问题。」

在这篇论文中，Fuchs 首次对计算病理学的问题定义、数据情况、成像方法和工作流程进行了系统性的描述。加上其更早之前在计算病理学方面的一些开创性贡献，他常被称为「计算病理学之父」。

计算病理学工作流程示意图，包含3个主要部分：（1）通过显微镜获得数据 X，通过标注得到目标数据 Y。Y 能为有监督问题提供训练和测试信息，也可在无监督设置中用于验证；（2）在核检测、细胞分割或纹理分类方面进行图像分析，得到关于组织的详细信息；（3）医疗统计，即使用前两个阶段的数据，通过存活率回归和专家模型的混合来得到有临床应用价值的结果。计算病理学的目标是构建包含这三个部分的完整的概率式的工作流程。

2011 年，Fuchs 在论文《计算病理学：组织分析的挑战和前景》中谈到了计算病理学在组织病理学、临床应用和决策支持、家用病理学技术等方面的发展前景，其中写道：「比起现今所能提供的人工检测，对丰富的数据进行自动化处理，有望对病人的疾病状态提供标准化的、有望更客观的诊断。自动化计算病理学框架也能让医疗用户量化处理流程的基准，以及识别会显著有损最终预测结果的错误的敏感处理步骤。」

近年来，他所领导的团队也开始探索深度学习在计算病理学领域的应用。2018 年，团队提出一种新型 PET 图像重建技术 DeepPET，其主要目的是通过深度学习来克服临床 PET 图像重建目前的主要瓶颈，即因缺乏用于优化高级图像重建算法的自动化手段，导致耗时过多，患者诊疗效率低，并增加医院的经济负担。Fuchs 团队所提出的新技术重建图像的速度可以比传统迭代重建技术快 100 倍。

创建首个临床级病理AI

计算病理学有非常重要的应用场景，其中之一就是癌症分析。据美国癌症协会统计，美国 2015 年平均每天都有约 1620 人因癌症而死。但如果发现及时，患者依然能在适当的治疗下恢复健康，因此高效的癌症诊断技术具有极其重要的应用价值。

近年来，Fuchs 在纪念斯隆·凯特琳癌症中心（MSK）领导的计算病理学研究组 Fuchs Lab 正致力于借助 AI 与计算病理学实现更好的癌症诊断和治疗。比如，他们提出了使用卷积神经网络（CNN）来预测胰腺癌的放疗生存率，并探索了基于深度卷积自动编码器聚类模型的无监督癌症分型。

今年7月，Fuchs 团队在 Nature Medicine 上最新发表的一篇论文中报告了首个临床级病理 AI 的诞生。团队构建了一个大规模的真实世界数据集，包括来自 44 个国家和地区的逾 1.5 万名前列腺癌、皮肤癌、乳腺癌患者的 4.4 万余例组织切片。他们以这种真实的、未经处理的临床数据集为基础，构建了一个无需病理学家人工标注就能识别组织样本中肿瘤细胞的深度学习模型，有望用于辅助癌症中心的病理诊断，提高常规临床实践效率。新的AI系统基于多实例学习（MIL）和递归神经网络（RNN），以弱监督学习的方式进行训练。结果显示，即使样本中存在气泡、刀片碎屑或褶皱这些不规则体，模型对这几类肿瘤的诊断仍能达到临床水平。若投入临床使用，在保证 100% 灵敏度的条件下，该系统或能帮助病理医生排除 65-75％ 的无用信息组织样本，让他们集中精力复查那些有用信息切片，大大提高临床诊断效率。

AI识别的阳性、阴性和可疑切片

为将研究成果转化为产品造福人类，Fuchs 还联合创立了 PAIGE.AI 公司，并担任该公司的首席科学家。这个由病理学家、AI 研究者、医疗专家组成的团队试图通过人工智能和计算病理学等技术，改变我们诊断癌症及引导治疗的方式。该公司的产品包括 PAIGE Guidance Engine，这个模块能够完成快速诊断分层、肿瘤检测、分割、治疗响应和存活率预测等任务。另外，他们还开发了一个载玻片阅读工具 PAIGE View，已在纪念斯隆·凯特琳癌症中心广泛应用。2019年，美国食品****品监督管理局（FDA）向该公司授予了「突破性设备（Breakthrough Device）」称号，这是该称号首次授予给 AI 癌症诊断技术研发公司。

9月2日，「计算病理学之父」 Thomas Fuchs 将在AI与机器人大会上介绍大规模数据处理对临床实践的影响，我们会在这里看到医疗 AI 的未来。

｜演讲摘要

《大规模医学人工智能：一次处理1PB，改变临床实践》

Medical Artificial Intelligence at Scale: Changing Clinical Practice One Petabyte at a Time

我们能以怎样的方式训练 PB 规模的医学深度学习模型，这些模型又会怎样影响临床实践？我们将在医疗领域，围绕病理学来探讨这些问题的可能答案。机器学习正从根本上驱动这种变革，尤其是计算机视觉和深度学习。借助 PAIGE.AI，我们正在纪念斯隆·凯特琳癌症中心构建临床级的 AI。我们的模型使用了病理学领域最大的 DGX-1 V100 集群，采用了 PB 级的图像和临床数据进行训练。我们的目标不仅是将繁琐和重复的任务自动化，还包括影响临床中的诊断和治疗决策。本演讲的重点是我们训练这些能力卓越的模型的方式以及所得系统在临床中的实现方式。