近日，百度研究院发表论文提出一种AI算法，名为“神经条件随机场”，将肿瘤识别定位准确率大幅提高。在公开数据集Camelyon16大赛测试集上，该算法的肿瘤定位FROC分数达到，超过专业病理医生水平以及由哈佛和麻省理工学院联合团队所保持的最好成绩。除了病理学切片分析方面的研究，百度还在积极探索AI在眼底影像、放射影像、以及智能问诊等其他一些医疗领域的应用。

一直以来，病理切片分析都是癌症诊断中的黄金标准。详尽阅读病理切片、不漏掉任何一处具有临床价值的病灶，对于肿瘤区域的准确判断乃至治疗方案的确定十分重要，尤其微转移肿瘤细胞群的发现，会极大影响病人的治疗方案和预后。在实际阅片中，原始病理切片的图片尺寸庞大，肿瘤细胞群的尺寸却十分微小。因此即便对于经验丰富的病理医生，阅片也是一项复杂、耗时的任务，如同大海捞针（如图一所示）。

图一

为了提高阅片效率，研究人员提出了许多深度学习算法来预测肿瘤区域。然而，绝大部分算法只能将每张切片剪切成大量小尺寸图块，再预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情况，也影响了预测准确度，由此产生的假阳性十分显著。

近日，百度研究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，联合预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”的概率图模型来模拟图块之间的空间关系，显著提升了肿瘤区域预测的准确度，算法预测的肿瘤区域也更加平滑。对比之前的算法，“神经条件随机场”算法除了真实肿瘤区域外，几乎没有引入任何其他假阳性区域。

图二

在Camelyon16大赛的测试集上，该算法获得了高达的肿瘤定位FROC分数，不仅显著超越了专业的病理医生水平()，也超过了之前大赛的最好成绩()。同时，百度研究院也在Github上开源了整套算法代码，以便其他研究人员在此基础上进行更深入的研究，促进人工智能在医学 图像分析领域取得更加长足的发展。

对于提高病理切片检测效率及准确性、促进癌症诊断和治疗的发展，这种新的算法拥有巨大潜力。它让病理学家能更聚焦由算法突出的肿瘤区域，而不必搜索整个切片。当然，对算法的全面评估，也需要更大的数据集来做进一步临床研究。