本篇所有文字及图片数据均来自www.hopkinsmedicine.org刊载的2019年夏季院刊《这是我们的曼哈顿计划》，www.healthcareitnews.com于2018年8月16日刊载的《约翰霍普金斯的研究人员利用深度学习来对抗胰腺癌》，原始数据请看文末链接。
原标题为“AI看癌：识别率高达？！”
“这是我们的曼哈顿项目，”约翰·霍普金斯医院放射科专家Elliot Fishman说。“我们已经向胰腺癌正式宣战了。”在这个被命名为Felix（以哈利波特中的神奇药水命名）的项目中，Fishman医生和这支医学界重量级专家组成的团队正在运用新的技术，赶在还能手术治疗时尽早发现胰腺肿瘤。
——放射学家Elliot Fishman
作为约翰·霍普金斯（世界大型胰腺癌中心）的诊断图像和体部CT部门的主任，Fishman医生每年会诊断数百例胰腺癌病例。
他们面对的是一个强大的敌人。每年，仅美国有超过 5 万人被诊断为患有胰腺癌。随着人口老龄化和肥胖的增加（这两者都是胰腺癌的风险因素），胰腺癌的发病率还在呈逐年上升的趋势。
同时，大约93%的患者坚持不过5年，主要原因是他们的疾病没有能被及时发现。“手术治疗是胰腺癌的主要治疗手段，但不到15%-20%的患者在诊断出胰腺癌时还能手术”，Fishman博士说。
Felix 项目缘起
胰腺癌很难被发现的原因有很多，Fishman医生解释道。
胰腺的作用是产生胰岛素和消化酶，它是一个位于腹部深处的蝌蚪形的器官，被其它器官所包围着。胰腺的大小、形状和位置因人而异，而且肿瘤的初始症状可能相当模糊，比如背痛或胃肠道问题等。再有是胰腺癌相对比较罕见，这意味着大多数放射科医生每年都见不到太多病例。
几年以前，以战胜胰腺癌为重要目标的Lustgarten基金会向前沿科学家Bert Vogelstein寻求疾病早期检测的项目创意。他们希望得到一些具有前瞻性的东西，能真正带来希望的一些东西。
Vogelstein博士随即提出一个想法：当肿瘤仍然很小且局限在局部区域时，使用人工智能（AI）来训练计算机在CT扫描中找出肿瘤。这一项目会需要放射学和计算机科学方面的专业知识。但他知道，不用去别的地方，在约翰·霍普金斯他能找到这些领域中的一些全球领先的专家。
——肿瘤学家Bert Vogelstein
“人类的创造力是将此前从未被联系在一起的两件事物联系在一起。Alan和Elliot正在创造的东西是他们任何一个人都无法单独创造出来的。”
另一方面，作为约翰·霍普金斯（世界大型胰腺癌中心）的诊断图像和体部CT部门的主任，Fishman医生每年会诊断数百例胰腺癌病例。同时，他在将近40年的时间里一直致力于改造放射学领域，特别是通过他早期采用的新技术，例如互联网和三维成像等。
2016年2月，在他主持的碰撞新颖想法的年度讲者系列活动中，Fishman医生带来了NVIDIA的首席执行官Jensen Huang。NVIDIA是在1999年发明了图形处理单元的公司（这一发明引发了PC游戏市场的蓬勃发展，并重新定义了现代计算机图形），NVIDIA正处于人工智能的前沿。
演讲结束后，Huang，Fishman医生和与会者Alan Yuille聊了聊。
Alan Yuille是一名数学家和计算机科学家，刚刚作为Bloomberg特聘教授加入约翰·霍普金斯大学的教师团队，他是深度学习方面的专家（深度学习是一种人工智能，特别适合处理图像，比如CT扫描等）。
根据Fishman医生的回忆，Huang当时说，“Alan，Elliot，你们需要互相合作，一定能搞出点事情来。”
——计算机科学家Alan Yuille
“目前，人类在几乎所有事情上的表现都优于人工智能。但人工智能很擅长进行医学影像分析，因为人类的视觉系统的进化使其能够处理真实世界图像和二维图像，但三维CT图像不行了。”
Felix项目因此诞生了。项目的命名要归功于Karen Horton，她很喜欢和女儿一起读哈利波特系列，觉得Felix这个名字再适合不过。
Horton医生从 1988 年开始读于医学院起，一直待在约翰·霍普金斯，她因为在CT成像和三维数据处理方面的工作而十分出名。2017 年，她被任命为Russell H. Morgan的放射学和放射科学系的主任。
当然，我们不会把这个项目的成功归功于魔法或巫术——正相反，它有赖于放射学家、计算机工程师两个科学家团队的聚焦和紧密合作。
腹部CT颜色编码
深度学习作为机器学习的一种，是用于解读图像的主要人工智能方法。其核心是一种模仿人类大脑某些功能的计算技术。数据由人工“神经网络”进行解析，随着上一层的输出结果变成下一层的输入数据，互联的计算机算法层会逐渐显示有用的信息。
与所有机器学习一样，深度学习算法旨在通过调整其模型获得更好的预测结果，从而能够随着时间的推移得到改善。它们处理的数据集越多，获得的结果越好。不过，Fishman医生也警告说，“如果进的是废料，那出的是废品。”
Yuille教授解释说，Felix项目团队的注释者们界定了这种算法的“基本事实”。在这个案例中，这意味着需要将腹部CT图像的每个体素或三维像素准确地标记为健康组织或肿瘤。
使用数字“画笔”，已经退休的放射肿瘤学家Eva Zinreich和其他五位队友在每次扫描中会对28个器官全部进行颜色编码，包括胰腺、胆囊、脾脏、肾脏、肠和血管等。每次扫描都要花费两至三个小时来进行标记，并且从轴向、矢向和冠向视角来检查三维器官的边界。
在开始注释新的扫描影像时，Zinreich会勾选她要标记的器官旁边的方框，比如：胃。然后，光标的箭头会变成一个绿色的实心圆。Zinreich 会将光标移动至胃的边缘，并且在顺着器官轮廓移动的时候始终按住鼠标按钮（这可比你用鼠标签名要简单，因为高科技的画笔可以感知事物的边缘）。
到目前为止，这个团队已经对 1,140 个正常的腹部扫描影像进行了注释，并且对来自胰腺导管腺癌（PDAC，常见的一种胰腺癌症）患者的 1,000 个扫描影像进行了注释。目前，他们正在研究胰腺内分泌肿瘤的扫描——这些肿瘤更不容易捕捉到，因为它们通常比胰腺导管腺癌更小，血管更丰富，但对我们都同样重要。
现年72岁的Zinreich自愿贡献她的时间，她是由Fishman医生邀请加入这个项目的——多年以前，Fishman作为住院医生在西奈医院接受过她的指导。早在20世纪70年代，Zinreich开始以人工的方式做类似的工作了，当时她通过毫米方格纸来绘制癌症放射治疗的方案。
“我成长的年代没有电脑，”她说。“如今亲眼看到并参与深度学习的演化，这让人印象非常深刻。”
每周一次头脑风暴
装备了注释后的扫描图之后，由Yuille教授和他的五名计算机科学研究生/博士后所组成的团队会训练和测试深度网络算法。
“目前，人类在几乎所有事情上的表现都优于人工智能。但人工智能很擅长进行医学影像分析，因为人类的视觉系统的进化使其能够处理真实世界图像和二维图像，但三维CT图像不行了。”Yuille教授说。
如果采用来自约翰·霍普金斯医院的注释影像进行工作，当前计算机（该团队目前使用的是NVIDIA DGX-1超级计算机，DGX-1是人工智能的领先技术，能让研究人员同时审查和研究数百个案例结果，开发原本不可能的算法，从而优化肿瘤的检测）识别胰腺导管腺癌的成功率接近。
这远远优于人类放射科医师在识别胰腺癌时10%-30%的“漏诊率”。
但Yuille教授表示，真正的考验在于他们的系统在使用来自其他医院的数据时能否同样有效，而这些医院使用的仪器和方法都各不相同。
当然，这个团队的“捕获”率也并不总是那么高，还是会有人工注释的扫描与计算机预测不符的情况出现。以下是人工智能团队在他们的周会上向放射科医生们陈述的几个案例。
在2月中旬的一次会议上，Vogelstein、Fishman、Horton和Yuille围坐在门诊中心会议室的桌子旁（那一周病理学家Ralph Hruban和分子遗传学家Ken Kinzler因故未能参加）。该团队的其他15名成员，包括放射科医生Linda Chu在内，都围坐在旁边。
在墙上的屏幕上，研究生Fengze Liu介绍了他在胰管扩张的检测算法方面取得的进展。当肿瘤阻塞胰管时，会发生胰管扩张，导致酶液在上游聚集。Fishman医生说，胰管扩张是被放射科医生忽视的首要信号。
胰腺的CT扫描显示扩大的胰管
为了说明胰管尺寸和形状的自然变化，Liu采用了“尺度-空间距离变换”，这种变换可建立起基于任何给定胰腺的“骨架”的坐标系。为了预测肿瘤，这种算法会有效地计算每个点的胰管半径，并寻找半径扩大且在下游又突然变窄的横截面。
接下来，Liu展示了几个不一致的案例。其中一个案例被排除，因为放射科医生清楚地知道那名患者放置了术后引流管。另一个案例被标记为假阳性，却检测到了真肿瘤——不过肿瘤是在肾脏上，而非胰腺上（Fishman医生怀疑计算机发现了一个罕见的Von Hippel-Lindau病例）。
令人担忧的是假阴性。
Yuille教授说，这些肿瘤之所以被计算机遗漏，通常是因为尺寸小，或是形状、位置或密度有异常。“正是通过纠正这些错误，算法才能越来越好，”他说。
富有成果的跨界联姻
显而易见的是，如果没有放射科医生的指引，人工智能团队的成员无法改进他们的算法，而没有计算机科学家，留给放射科医生的也只是一堆颜色编码的影像。
Hruban提到了Felix项目为每个人所提供的的学习机会。“在Felix项目刚开始的时候，人工智能团队不知道胰腺长什么样子，所以我带过去了一个模型，并向他们进行了展示，”Hruban说。“他们提出了许多很棒的、富有洞察力的问题。然后，轮到我们这些医生必须学习大量的计算机算法和人工智能知识了。”
——病理学家Ralph Hruban
作为约翰·霍普金斯Sol Goldman胰腺癌症研究中心的主任，Ralph Hruban于1985年从约翰·霍普金斯大学获得了医学学位，并在五年后加入了这所学校的教师队伍。他的病理学职业生涯始于心脏和肺部移植物的评估工作，但当John Cameron——当时的外科负责人，开始通过复杂的惠普尔手术切除癌性胰腺组织时，Hruban被吸引到了胰腺癌领域。“John Cameron请我去确认他切除的是什么，我一下子爱上了这项工作。”他说。
Vogelstein既不是放射科医生也不是计算机科学家，他觉得自己的角色是牵线搭桥的“媒人”。
“实际上，我们人类无法从无到有地进行创造，” Vogelstein说。“人类的创造力是将此前从未被联系在一起的两件事物联系在一起。Alan和Elliot正在创造的东西是他们任何一个人都无法单独创造出来的。”
他们终的产品将是一个分析CT影像和标记可疑区域的软件程序。它不会取代放射科医生，但拥有这个软件，感觉会像是身边一直有一个专家顾问一样。
Fishman医生相信，再过大约两年，他们可以成立一个新公司来开发和销售他们的软件，或是与一家知名的公司建立合作关系。不论哪种途径，都能产生一种在早期发现胰腺癌的更为有效的方法，他说。
“Lustgarten基金会所希求的正是这种拯救生命的方法，”Fishman医生说。“我所看到的病例中，有将近三分之一的病例本可以被一位目光敏锐的放射科医生提前4-12个月发现。那是我们的时机窗。”
免责申明：
此信息仅用于科普目的，不能代替医疗意见。本文由约翰·霍普金斯医疗集团发布，未经允许，不得转载。
美国约翰·霍普金斯医疗国际部（Johns Hopkins Medicine International）与盛诺一家正式签署合作协议，通过盛诺一家，中国患者短时间内即可预约约翰·霍普金斯医院前往医。
参考链接：
1.www.hopkinsmedicine.org刊载的2019年夏季院刊《这是我们的曼哈顿计划》
This Is Our Manhattan Project
https://www.hopkinsmedicine.org/news/publications/hopkins_medicine_magazine/features/spring-summer-2019/this-is-our-manhattan-project
2.www.healthcareitnews.com于2018年8月16日刊载的《约翰霍普金斯的研究人员利用深度学习来对抗胰腺癌》
Johns Hopkins researchers use deep learning to combat pancreatic cancer
https://www.healthcareitnews.com/news/johns-hopkins-researchers-use-deep-learning-combat-pancreatic-cancer
