近来，百度研讨院宣布论文提出一种AI算法，名为“神经条件随机场”，将肿瘤辨认定位精确率大幅进步。在揭露数据集Camelyon16大赛测验集上，该算法的肿瘤定位FROC分数到达0.8096，逾越专业病理医师水平以及由哈佛和麻省理工学院联合团队所坚持的最好成果。除了病理学切片剖析方面的研讨，百度还在积极探索AI在眼底印象、放射印象、以及智能问诊等其他一些医疗范畴的使用。
一直以来，病理切片剖析都是癌症确诊中的黄金标准。翔实阅览病理切片、不漏掉任何一处具有临床价值的病灶，关于肿瘤区域的精确判别甚至医治计划的断定非常重要，特别微搬运肿瘤细胞群的发现，会极大影响患者的医治计划和预后。在实践阅片中，原始病理切片的图片尺度巨大，肿瘤细胞群的尺度却非常细小。因而即便关于经验丰富的病理医师，阅片也是一项杂乱、耗时的使命，好像难如登天（如图一所示）。
图一
为了进步阅片功率，研讨人员提出了许多深度学习算法来猜测肿瘤区域。但是，绝大部分算法只能将每张切片剪切成很多小尺度图块，再猜测单张图块是否为肿瘤区域。但仅凭单张图块而不知周边区域的状况，也影响了猜测精确度，由此发生的假阳性非常明显。
近来，百度研讨院提出一种全新的深度学习算法，一次性输入一组3x3的图块，联合猜测每张图块是否有肿瘤区域。该算法可通过一种名为“条件随机场”的概率图模型来模仿图块之间的空间联系，明显提升了肿瘤区域猜测的精确度，算法猜测的肿瘤区域也愈加滑润。比照之前的算法，“神经条件随机场”算法除了实在肿瘤区域外，几乎没有引进任何其他假阳性区域。
图二
在Camelyon16大赛的测验集上，该算法获得了高达0.8096的肿瘤定位FROC分数，不只明显逾越了专业的病理医师水平(0.7240)，也逾越了之前大赛的最好成果(0.8074)。一起，百度研讨院也在Github上开源了整套算法代码，以便其他研讨人员在此基础上进行更深化的研讨，促进人工智能在医学图画剖析范畴获得愈加长足的开展。
关于进步病理切片检测功率及精确性、促进癌症确诊和医治的开展，这种新的算法具有巨大潜力。它让病理学家能更聚焦由算法杰出的肿瘤区域，而不用查找整个切片。当然，对算法的全面评估，也需求更大的数据集来做进一步临床研讨。