逆天！新型AI識別癌癥，近100%精準度碾壓醫(yī)生。

AI在醫(yī)學領域越來越厲害啦！有一種新研發(fā)的AI，診斷癌癥的本事比專業(yè)醫(yī)生還牛。

在不久的將來，用AI識別癌癥或許會成為常見的事。

包括澳大利亞Charles Darwin大學（CDU）在內(nèi)的國際科研團隊，搞出一個叫ECgMPL的模型。

論文鏈接：https://www.sciencedirect.com/science/article/pii/S2666990025000059?via%3Dihub

ECgMPL專門分析細胞和組織的微觀圖像，用來查子宮內(nèi)膜癌。子宮內(nèi)膜癌是常見的生殖系統(tǒng)腫瘤之一，而這個AI模型的準確率高達99.26%！

研究人員還發(fā)現(xiàn)，這個模型經(jīng)過調(diào)整，還能診斷很多其他疾病，如結直腸癌、口腔癌。

CDU的Asif Karim博士參與了這項研究，他表示，ECgMLP模型的準確率高達99.26%，比現(xiàn)在用的那些診斷方法都強，計算速度還特別快。

通過消融研究、自注意力機制，再加上高效的訓練，這個模型在很多組織病理學數(shù)據(jù)集上都能很好地發(fā)揮作用，是臨床診斷子宮內(nèi)膜癌的得力助手。

這個經(jīng)過大量數(shù)據(jù)訓練的AI模型，在查看微觀掃描圖像（也就是組織病理學圖像）的時候，能把圖像變得更清晰，這樣就能發(fā)現(xiàn)癌癥早期的癥狀。

有些微小變化醫(yī)生用眼睛很難發(fā)現(xiàn)，但AI模型一下子就能找到。

現(xiàn)在，醫(yī)生診斷的準確率大概在78.91%到80.93%之間。

子宮內(nèi)膜癌如果能早點發(fā)現(xiàn)，是可以治療的，患者的五年預后效果也不錯。但要是癌細胞擴散到子宮外面，治療起來就麻煩了。所以，及時診斷對挽救患者生命特別重要。

訓練所用數(shù)據(jù)集的樣本圖像，展示了正常子宮內(nèi)膜（NE）、子宮內(nèi)膜息肉（EP）、子宮內(nèi)膜增生（EH）和子宮內(nèi)膜腺癌（EA）

現(xiàn)在，美國已經(jīng)有超過60萬人得過子宮內(nèi)膜癌?？茖W家發(fā)現(xiàn)，ECgMLP的用途可不只是診斷子宮內(nèi)膜癌。

澳大利亞ACU的副教授Niusha Shafiabady表示，用同樣的辦法，還能又快又準地查其他病，這樣病人就能得到更好的治療。

他們用這個模型測試了好多不同的組織病理學圖像數(shù)據(jù)，發(fā)現(xiàn)它查結直腸癌的準確率能達到98.57%，查乳腺癌的準確率是98.20%，查口腔癌的準確率也有97.34%。

不過，這個AI模型可不是要搶醫(yī)生的「飯碗」。

它是和癌癥專家一起合作，幫醫(yī)生更準確地診斷病情，還能看看治療的效果好不好。

用這個模型診斷癌癥，速度更快、容易實現(xiàn)，成本也更低。

Shafiabady補充道，這項研究的AI模型可以作為軟件系統(tǒng)的大腦，協(xié)助醫(yī)生進行癌癥診斷的決策。

研究人員強調(diào)：「早點發(fā)現(xiàn)、準確診斷子宮內(nèi)膜癌，對治療和控制病情非常關鍵。用深度學習算法分析組織病理學圖像，在診斷子宮內(nèi)膜癌方面，不管是準確率還是處理速度，表現(xiàn)都特別好?！?/span>

構建ECgMLP

ECgMLP模型的構建離不開高質量的數(shù)據(jù)集。

研究團隊收集了新鮮的子宮內(nèi)膜標本，由三位具有十多年病理學實踐經(jīng)驗的病理學家在光學顯微鏡下仔細檢查組織學切片，一致選擇具有診斷結果的代表性蘇木精-伊紅（H&E）切片。

這些切片通過Mixotic掃描儀數(shù)字化，以10倍或20倍放大倍數(shù)捕獲為高分辨率圖像，再用Olympus ImageView從原始全切片圖像中提取病變或健康組織的組織病理學區(qū)域。

最終形成的數(shù)據(jù)集包含3302張jpeg格式的圖像，分為子宮內(nèi)膜腺癌、子宮內(nèi)膜增生、子宮內(nèi)膜息肉和正常子宮內(nèi)膜4類，每類又包含不同數(shù)量的圖像和亞型。

這個數(shù)據(jù)集為模型的訓練和優(yōu)化提供了堅實的基礎。

圖像預處理

圖像預處理是 ECgMLP 模型的重要環(huán)節(jié)，它直接影響到后續(xù)分析的準確性。

研究采用了多種預處理技術，包括歸一化、α-β變換和非局部均值（NLM）去噪算法。

歸一化通過將圖像的像素值縮放到0到1之間，使不同圖像具有可比性，便于從不同光照條件下捕獲的圖像中一致地提取特征。

其公式為

，這種標準化為后續(xù)的分析提供了的基礎。

α-β技術則通過調(diào)整像素值來優(yōu)化視覺對比度。α參數(shù)控制圖像的對比度，β參數(shù)控制亮度。

在本研究中，α值設為1.0，β值設為2，這一設置顯著增強了組織和細胞結構邊界的可見性，同時保持了可接受的信號質量，PSNR值始終高于33dB。

NLM去噪技術通過比較圖像中的小像素塊并找到相似塊，用相似塊的平均值替換噪聲塊，有效地去除了噪聲，同時保留了關鍵的邊緣信息和組織紋理。

其公式為

，這一技術為后續(xù)的準確分析提供了清晰的圖像數(shù)據(jù)。

圖像分割

圖像分割是從圖像中提取感興趣區(qū)域（ROI）的關鍵技術，ECgMLP模型采用了基于分水嶺算法的多步驟分割方法。

該過程從二值閾值化開始，通過最小化前景和背景兩類的類內(nèi)方差確定閾值，將像素分為前景和背景。

接著進行形態(tài)學閉運算，使用2×2內(nèi)核去除前景區(qū)域中的小孔和間隙；然后進行距離變換，獲得每個像素到最近背景像素的距離圖；再進行膨脹操作，擴展前景區(qū)域。

應用閾值處理，確定前景區(qū)域；通過從確定背景中減去確定前景得到未知區(qū)域；將原始圖像和標記與分水嶺算法結合，實現(xiàn)圖像的精準分割。

光度增強

為了提高模型的泛化能力，研究對訓練集和驗證集應用了光度增強技術。

通過對圖像進行亮度、對比度、色調(diào)、飽和度的變化以及模糊處理等多種修改，創(chuàng)建了具有不同視覺特征的原始圖像的新版本。

總共應用了10種光度增強技術，例如調(diào)整亮度水平、改變對比度、利用CLAHE增強圖像特征、調(diào)整色調(diào)和飽和度以及應用高斯模糊等。

這樣增加了訓練數(shù)據(jù)的多樣性，提高了模型的泛化能力。

創(chuàng)新的ECgMLP架構

ECgMLP模型基于gMLP架構構建，gMLP架構結合了MLP和Transformer的優(yōu)勢。

每一層由一個MLP塊和一個門控機制組成，門控機制調(diào)節(jié)信息流，使模型能夠選擇關注不同的輸入組件，MLP塊則負責提取高級特征。

ECgMLP模型在此基礎上進行了針對性的優(yōu)化。

形狀為[64×64×3]的圖像首先輸入到輸入層，經(jīng)過數(shù)據(jù)增強層增加訓練樣本數(shù)量并減少過擬合，增強后的數(shù)據(jù)由形狀為[128×128×3]的補丁組成。

補丁通過補丁層重塑為[256×192]，再經(jīng)過全連接層提取特征。

模型包含多個順序的gMLP 層，gMLP層由多個子層組成，子層混合使用MLP和門控機制生成有信息的表示。

每個gMLP層的輸出作為下一層的輸入，經(jīng)過層歸一化和全局平均池化1D層處理后，最后通過具有4個輸出單元的全連接層進行最終預測，對應子宮內(nèi)膜癌的四個類別。

在訓練過程中，使用AdamW優(yōu)化器，包括權重衰減正則化，并采用稀疏分類交叉熵損失和準確率指標進行評估，還使用了學習率調(diào)度來提高收斂性。

此外，在gMLP層中使用ELU激活函數(shù)代替ReLU，提高了模型的穩(wěn)定性。

ECgMLP的卓越性能

消融研究

通過改變網(wǎng)絡的層架構、訓練參數(shù)和超參數(shù)，如圖像大小、權重衰減、批量大小、隨機失活率等，深入研究不同因素對模型準確率的影響。

研究發(fā)現(xiàn)，6個ECgMLP模塊實現(xiàn)了98.61%的最佳準確率，但出于實際原因選擇4個模塊，此時準確率為98.52%。全局最大池化的準確率達到98.74%，高于全局平均池化的98.52%。

AdamW作為優(yōu)化器表現(xiàn)最為準確，準確率為98.52%；激活函數(shù)中ELU的準確率最高，達到99.26%；學習率為 0.003時選擇準確率最高。

多指標評估

使用多種指標對ECgMLP模型的性能進行評估，結果顯示該模型表現(xiàn)卓越。

學習曲線展示了模型訓練過程中的良好表現(xiàn)，隨著訓練的進行，損失下降且準確率上升，表明模型有效地從數(shù)據(jù)中學習，沒有過擬合的跡象，預測性能不斷增強。

Confusion Matrix顯示整個數(shù)據(jù)集中只有少數(shù)圖像被誤分類，這意味著模型能夠很好地對圖像進行正確分類，準確識別不同類別的子宮內(nèi)膜組織。

ROC曲線下面積（AUC）為完美的1.00，表明模型區(qū)分不同類別的能力極強，在不同的分類標準下都表現(xiàn)出色。

通過10折交叉驗證，模型的準確率在不同的數(shù)據(jù)分割中保持在98.99%至99.26%之間，證明了模型的穩(wěn)定性和泛化能力，在不同類型的數(shù)據(jù)上都能表現(xiàn)出持續(xù)的高性能。

泛化能力驗證

為了評估ECgMLP模型的泛化能力，研究團隊在多個涵蓋不同癌癥類型的外部組織病理學圖像數(shù)據(jù)集上進行測試。

結果顯示，模型在這些數(shù)據(jù)集上都實現(xiàn)了較高的準確率（>97%），證明了其對不同組織學圖像分布具有可靠的泛化能力。

即使在原始領域之外，ECgMLP模型也具有先進的性能，這為其在更廣泛的醫(yī)學領域應用奠定了堅實的基礎。