Interactive Whole Slide Images for RL-based Tumour Segmentation
本文提出了一种端到端的强化学习框架，将全切片图像视为分层多分辨率环境，使智能体能够通过导航和缩放动作执行序列化肿瘤分割，在实现与基于补丁的方法相当的粗略分割质量的同时，显著降低了推理时间。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学诊断领域，病理学家通过显微镜观察组织样本，以识别癌症等疾病。为了实现数字化，他们使用全切片图像（whole-slide images），这些是整个玻璃载玻片的超高分辨率扫描图。这些图像规模巨大，包含数十亿个像素，远超计算机屏幕一次能显示的容量。为了理解这些图像，它们被存储为金字塔式的图层，其中顶层是一个微小且模糊的概览，而底层则是极其详细的特写。传统上，计算机通过将这些切片切割成数千个固定的小方块并逐一检查来进行分析。虽然这种方法可行，但既缓慢又浪费，往往迫使计算机去检查大量的健康组织区域，仅仅为了寻找可能隐藏肿瘤的细小、分散区域。
研究人员长期以来一直想知道，计算机是否能像人类医生那样观察这些切片：通过扫描概览，放大可疑点，并忽略其余部分。一项由来自法国、意大利和巴黎的团队开展的新研究提出了一种方法，让人工智能智能体学习如何自主导航这些数字切片。该智能体不再一次性处理整个图像，而是穿梭于切片之中，决定在哪里观察、放大多少倍以及何时将一个点标记为肿瘤。研究人员发现，这种交互式方法使计算机找到肿瘤的准确度与传统方法相当，但耗时仅为后者的一小部分，将原本需要几分钟的过程缩短到了几秒钟。
这项工作的核心是将数字切片视为一个交互式环境，而非静态图片。想象一下一位坐在显微镜前的病理学家：他们并不会观察样本中的每一个细胞。相反，他们从宽广的视野开始，发现一个看起来异常的区域，然后放大进行仔细检查。研究人员构建了一个模仿这种行为的计算机程序。他们创建了一个虚拟智能体，它可以进行左、右、上、下移动，并且可以放大或缩小以改变其看到的细节水平。智能体的目标是通过一系列此类移动和选择来构建肿瘤地图。它从空白状态开始，通过选择要关注的切片部分，逐渐填充出肿瘤的形状。
为了教会智能体如何操作，研究人员使用了一种称为强化学习（reinforcement learning）的学习方法。这是一种通过试错并根据反馈进行学习的训练方式。在这种情况下，当智能体当前的猜测比真实位置更接近时，它会获得奖励，而真实位置是已知的人类专家标注。研究人员精心设计了奖励系统。他们发现，如果仅仅因为智能体找到了肿瘤的任何部分就给予奖励，它可能会变得过于激进，将健康组织标记为癌变。然而，如果奖励结构旨在鼓励智能体随着进程不断完善其地图，智能体就会学会变得更加精准。研究表明，给予智能体适度的移动时间（每张切片约80步），可以让它在不陷入不必要细节的情况下有效地找到肿瘤。
团队在肺腺癌（一种常见的肺癌类型）患者的切片上测试了这个系统。他们将这种新的智能体与将切片切割成固定方块的标准计算机方法进行了对比。结果令人瞩目。传统方法（处理整个切片的方法）分析单张切片平均需要超过229秒，且根据肿瘤大小的不同，耗时可能更长。相比之下，这种新的交互式智能体完成相同任务平均仅需3秒。虽然在绘制肿瘤精确边界方面，该智能体的精度略低于最先进的传统方法，但它捕捉到的疾病整体形状和位置具有相当的准确度。这种权衡意义重大，因为这意味着医生几乎可以瞬间获得切片的初步分析结果，而不必等待计算机处理每一寸图像。
该研究最重要的发现之一是，智能体需要看到各种各样的案例才能学好。当研究人员在少量切片上训练智能体时，它很难泛化到新的患者身上。然而，当他们扩大训练集以包含更多切片时，智能体变得更加可靠。这表明，为了让计算机有效地学习如何导航复杂的医学图像，它们需要接触多样化的病例，就像人类医生一样。研究还强调，智能体不需要复杂的记忆系统来记住所见内容；当前视图与切片的全局概览相结合，就足以让它做出正确的决策。
研究人员承认，他们的方法并不完美。由于智能体移动的步长过大，有时难以捕捉到极细微的细节，因此在处理肿瘤边界的精细特征时会遇到困难。此外，该研究是在单一类型的癌症及一家医院的数据上进行的，因此目前尚不清楚这种方法是否适用于其他疾病或不同的临床环境。尽管存在这些局限性，这项工作展示了一条清晰的前行路径。通过允许计算机以模仿人类探索的方式与医学图像进行交互，可以在不牺牲过多准确性的前提下，大幅缩减诊断所需的时间。这种方法为处理现代病理学中海量的数据提供了一种极具前景的方式，有望让医生将注意力集中在最需要的病例上。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。