數學途徑:人工智慧如何找出解決病理學家人數短缺的辦法

作者 Jamie Beckett

從一名荷蘭布商在 1676 年意外發現細菌開始,顯微鏡對醫學界來說都是一件重要工具。現在顯微鏡的觀察能力較人眼強上八十萬倍,卻仍然要有一個人來仔細檢查鏡頭下的東西。

這個人一般是病理學家,但問題來了。全球各地欠缺病理學家,有能力解讀實驗室檢查結果,以提出診斷、監測和治療疾病各項辦法的醫師實在少之又少。

如今 NVIDIA Inception 新創公司育成計畫成員的 SigTuple,正在測試一款人工智慧顯微鏡,或許可望有助於解決病理學家人數短缺的問題。這項搭載 GPU 的設備會自動掃描和分析血液抹片及其它生物樣本,以檢測出其中的問題。


全球勞動力在病理學與實驗室醫學方面的能力。圖片轉載自《The Lancet》醫學期刊的《Access to pathology and laboratory medicine services》一文。版權所有(2018),經 Elsevier 授權使用。

每百萬人只有一名病理學家

本月在《The Lancet》醫學期刊上發表的研究指出,在那些最貧窮的國家裡病理學家人數短缺是一項極為嚴重的問題,患者未經正確診斷就進行不當的治療。該期刊的內容表示像是在撒哈拉以南的非洲地區,每百萬人只有一名病理學家。

不只貧窮國家有這個問題。《The Lancet》期刊指出中國每十三萬人只有一名病理學家。而相較之下,最新數據顯示美國每十萬人就有5.7名病理學家。研究預測到2030年時,美國的病理學家人數將減少為每十萬人只有3.7人

總部設於印度班加羅爾的 SigTuple,其共同創始人暨技術長 Tathagato Rai Dastidar 說,在印度每6.5萬人有一名病理學家,共有兩萬名病理學家來服務全印度的13億人口。

「我們有著人力成本。在很多沒有病理學家的地方,訓練不足的技術人員會寫出報告,而要到已經來不及挽救的時候,才會發現這個病例。」Dastidar 說。


SigTuple 的自動顯微鏡費用僅為現有設備價格的零頭,使得病理學家人數不足的發展中國家也能負擔得起。圖片由 SigTuple 提供。

低成本又有著優異性能的顯微鏡

SigTuple 的產品並非首具自動顯微鏡。稱為數位玻片掃描儀的機器會自動將玻片轉為數位影像並解讀結果。SigTuple 的顯微鏡售價卻僅為數位玻片掃描儀價格的零頭,大多數實驗室(包括在發展中國家裡的實驗室)都能負擔得起。

SigTuple 的人工智慧顯微鏡在鏡頭下掃描玻片,再使用 GPU 加速的深度學習技術,在位於雲端的 SigTuple 人工智慧平台或在顯微鏡上分析數位影像。這款顯微鏡使用多種深度學習模型來分析血液、尿液和精液。

顯微鏡有著辨識細胞、將細胞分到不同類別和子類別,還有計算各類細胞數量等功能。

例如 SigTuple 的首款產品 Shonit(梵語裡的血液之意)便可辨識血液抹片上的紅血球、白血球及血小板,找出它們的位置和計算各類白細胞的比例(一般稱為分類計數);還會使用機器學習技術,從細胞的 2D 平面影像計算其 3D 立體資訊。

在 SigTuple 與印度部分頂尖實驗室合作進行的研究裡,Shonit 的準確度足以跟其它自動分析儀的準確度分庭抗禮,它還成功找出病理學家和自動化工具常會漏掉的罕見細胞。

在雲端的專家評論

除了提供解讀玻片的低成本方法,Dastidar 還將 SigTuple 的人工智慧平台視為在缺乏專家之際,提供專家對檢測結果提出評論的理想工具。它除了能自動進行分析,還會將資料存在雲端,在任何一處的病理學家都能對檢測結果提出解釋。

SigTuple 的雲端平台還讓病理學家能更容易合作處理疑難雜症。

「以前想要這麼做,就得將玻片從一個實驗室送到另一個實驗室。」Dastidar 說。

SigTuple 接下來打算對 Shonit 進行正式試用和商業化推廣的活動。

如需更多關於 SigTuple 與 Shonit 的資訊,請見 Dastidar 在 GTC 的演講畫面,或是閱讀 SigTuple 近期發表的文章《Analyzing Microscopic Images of Peripheral Blood Smear Using Deep Learning》。