杏脉科技摘得SPIE乳腺癌病理竞赛榜单世界第一
2019-09-02

荣登榜首

近日,杏脉科技病理团队在全球乳腺癌病理竞赛中荣登排行榜第一!

在此次SPIE-AAPM-NCI BreastPathQ: Cancer Cellularity Challenge 2019中,杏脉竞赛成绩Kendall’s tau-b(一致性系数)高达 94.6%。

enter image description here

SPIE(国际光学工程学会)是光学领域最权威的专业组织之一,此次携手美国医学物理学家协会(AAPM),及美国国家癌症研究所(NCI),共同举办了本次乳腺癌HE染色组织病理癌细胞比例预测竞赛。为来自学术、医疗、计算机和政府等众多行业,近500支参赛团队提供了验证技术积累与算法模型效果的机会。

Cancer Cellularity Challenge一直致力于推动全球病理全自动化分析发展,鼓励应用创新技术消除人为观察主观性,提升癌症诊断效率,为促进全球科技与医疗紧密结合做出了巨大贡献。 enter image description here

乳腺癌是目前我国女性癌症发病率最高的一种癌症,杏脉科技已与复旦大学附属肿瘤医院在人工智能辅诊乳腺癌病理领域达成深度合作共识。以实现乳腺癌病理诊断一站式服务为目标,携手推动人工智能在医疗领域产业化的落地应用。预期可大幅节约医生工作时间成本,助力专科优质医疗资源下沉基层。

随着公众对医疗需求的日益增长,病理诊断的工作量不断加大,临床和患者对病理诊断的准确性和时效性也提出了更高的要求。希望未来AI能够帮助医生从繁重的重复性劳动中解放出来,节省大量时间,提高工作效率。 enter image description here

解密技术优势

杏脉科技作为复星旗下首个独立孵化的人工智能企业,在技术领先的道路上不断取得创新成果与突破。继2017年,杏脉在国际医学放射影像领域的权威评测LUNA (LUng Nodule Analysis) CT肺结节智能评测榜单中击败全球4000多支参赛队伍登顶第一后,再一次通过成绩展示了自己在病理图像分析领域扎实的技术实力,验证了自己在计算机视觉领域的全球领先地位。 enter image description here

不同于传统的人脸、自然图像,由于医学图像具有特征不明显、噪声多、个体差异大、分类逻辑复杂等问题,将深度学习应用于医学图像进行定位、分类、分割、检测等一系列处理对于算法模型的设计挑战更高。而且不同成像原理的医学图像特点不同,因此在技术构建层面也需进行细致的差异化处理。 enter image description here 例如,CT黑白图像成像速度快、格式标准,但易受电磁电流影响伪影多。而病理图像由于前期复杂的制片流程,往往会导致同一类型的病理切片颜色深浅不一,成像效果各不相同。

同时,由于深度学习依赖于大数据量、优质数据的特点,对于我国几乎空白的数字病理图像资源,以及极少能提供高质量标注的病理专家来说更是巨大的挑战。 enter image description here 为突破病理图像深度学习分析的瓶颈,杏脉科技持续加强自身在迁移学习以及弱监督学习领域的技术能力。

通过妥善利用可量化的迁移学习技术手段,使来源于不同项目不同模态的医疗图像数据能够相互协同,形成适用于解决新医疗问题的模型。突破了之前大多数团队使用自然图像数据集构建底层基础模型,难以在短时间内达到良好效果的难点。使缺少高质量标注数据的初始项目也能完美克服“冷启动”问题。 enter image description here 同时,杏脉开创性的提出了几种多层次的数据增广、GAN样本生成与神经网络无缝融合的方式,从而有效降低了对标注数据的要求。无需病理科医生对每份样本的所有癌细胞进行准确勾画,取而代之利用历史诊断报告即可进行模型训练。在保证精准性的前提下得以更高效、更充分的利用有限的数据资源。

杏脉科技总裁房劬表示“人工智能是为服务医生而存在,不能将前期高昂的研发成本转嫁到医生身上, 完全依赖对数据量饥渴的算法优化策略,不是可持续发展的方式。”

杏 脉 科 技

杏脉科技自2017年成立以来一直保持高速发展的趋势,截至目前100人的团队已积累超过40种AI疾病模型储备,与全国200多家医院达成合作。成熟应用已上线放射科、检验科、病理科、呼吸科、骨科、心内科、神经科等多个科室。

同时,杏脉科技深入医疗机构与基层健康服务场景探索真实需求,积极完善分级诊疗的核心场景服务能力如早筛、远程诊疗、精准医疗等,致力于全面解决不同的临床痛点和公卫难题。通过独树一帜的软硬一体化产品架构有效赋能远程诊疗体系建设,形成了促进我国分级诊疗与精准医疗落地的有效解决方案。