AI医学：使用CNN进行内窥镜图像胃癌检测

胃癌病理切片（识别）、结肠镜图像（息肉检测、分割），需者自取。
链接：https://pan.baidu.com/s/1Bx0YeFtFVvdQ0uRcRTX8-A
提取码：data

2022-10-3
上述链接已失效，部分数据集被某云盘禁止分享，无法生成共享链接。有需要的小伙伴可以留下邮箱或者滴滴我，看到就回～

在写这篇笔记时，介绍的论文中使用的胃癌图像数据是未开源的。下面这些网站可以找到一些常用的数据集，外网下载较慢/需登录/购买等情况，可以在某宝找代下。

1. https://www.cancerimagingarchive.net/nbia-search/
2. https://www.datasetlist.com/
3. https://paperswithcode.com/datasets
4. https://www.kaggle.com/datasets
5. https://www.marsbigdata.com/dataset
6. https://search.crossref.org/

————————————————————————————————————
开学后拿到的第一篇文章，是关于利用CNN进行胃癌检测的，题目是《Application of artificial intelligence using a convolutional neural
network for detecting gastric cancer in endoscopic images》。
这是基于日本胃癌发生情况的一篇AI医学文章，发表于2018年。

在人工智能＋神经网络+深度学习极大改善多个医疗领域中的图像诊断的大背景下，这是首篇利用CNN进行胃镜图像胃癌检测的文章。

• 方法：采用的网络模型是 Single Shot MultiBox Detector，简称 SSD。文中明确指出，没有对该模型进行算法上的修改；
• 数据：训练集和测试集分别包含 $13584$ 张和 $2296$ 张胃癌内窥镜图像，其中测试集的图像是从 $69$ 名病人上连续采集得到的，共有 $77$ 类胃癌病变；
• 结果：
  • CNN仅用了 $47s$ 来诊断 $2296$ 张测试图像；
  • CNN正确识别了 $77$ 类胃癌病变中的 $71$ 类，达到了整体 $92.2\%=\frac{71}{77}$ 的灵敏度；
  • 除此还有 $161$ 类非癌性病变被CNN诊断为癌性(即假阳性)，达到 $30.6\%=\frac{71}{71+161}$的 $PPV$；
  • 直径大于等于 $6mm$ 的 $71$ 类病变中的 $70$ 类以及扩散性胃癌，均被 CNN 正确检测；
  • 被CNN遗漏的病变类型均为较浅病变或分化型粘膜内癌症，很难与胃炎区分开，接近一半的假正例均为伴有色调的改变或不规则粘膜表面的胃炎。
• 结论：基于SSD的CNN胃癌检测系统，能在较短时间内诊断大量内窥镜图片的胃癌检测，从而减轻内窥镜医师的压力。

1. 构建数据

1.1 训练集

文中提到了选择图像的标准是标准白光图像、使用靛蓝胭脂红喷雾的染色内窥镜检查图像以及窄带成像(NBI)，但任何被放大的图像以及由于较少的空气吹入、活检后出血、光晕、模糊、散焦或粘液而导致的质量差的图像不被选择。经过筛选最后得到了 $13584$ 张胃癌内窥镜图像，由人工进行标记。在这些图像中：

• 每张图像至少显示了一个胃癌病变；
• 针对同一病变包含了多个图像，以展示角度、距离和胃壁扩展等的差异。

1.2 测试集

为评估构建的CNN的性能，作者准备了一个独立测试集，通过对 $69$ 例病人连续采集得到，一共包含了 $77$ 类胃癌病变，其中 $62$ 例存在一种胃癌病变，$6$ 例存在两种胃癌病变，$1$ 例存在三种胃癌病变，在采集图像的过程中仅保留了标准白光图像，而去掉了染色内窥镜图像、NBI和其他质量较差的图像，最终得到的测试集含有 $2296$ 张图像，对 $69$ 例病人大概每例有 $18-69$ 张图像。

2. SSD模型

为了构建基于人工智能的CNN诊断系统，作者采用了SSD模型(其含16层甚至更多)，并且没有修改该模型的算法，直接进行沿用。训练、验证和测试CNN均是在 Caffe深度学习框架下进行的。
由于需要令CNN的参数值与SSD兼容，作者对CNN的每一层都使用随机梯度下降算法进行了细调，总体学习率为 $0.0001$，并将每张图像大小调整为$330\times 330$ ，边界框也相应被调整以使CNN能够达到最优的分析效果。

————这篇文章整理完我就去看SSD，看不完的论文文 + 码不完的字字 + 我日益稀疏的头发发，暴风哭泣 ┭┮﹏┭┮

3. 度量标准

首先关于输出，当CNN从测试图像输入数据中检测到胃癌病变后，会输出一个名称——早期或晚期胃癌，以及它的位置，并以黄色矩形框的形式在输入的内窥镜图像上展现。
比如：

• 对于由多幅图像展现的同一病变而言，如果CNN在某一个图像中检测到胃癌病变，在其他图像中未检测到时，这样也被认为是真正例，比如；
• 由于胃癌的分界线有时不清晰，因此当CNN检测到部分胃癌
  病变时，也被认为是真正例；
• $灵敏度=\frac{检测到的正确胃癌病变数目}{实际胃癌病变数目}$；
• $PPV=\frac{检测到的正确胃癌病变数目}{被CNN诊断为胃癌的病变数目}$。

4. 结果分析

4.1 病例及病变特征

对 $2296$ 张测试图像的检测结果为将其中的 $714$ 张诊断为癌症，大约 $31.1\%$，文中列举了测试集中使用的病变特征和 $69$ 位病例的关系，如粘膜萎缩的程度、除胃癌外的其他病变、胃癌的类型等等。

4.2 灵敏度及PPV

CNN仅耗时 $47s$ 检测了 $2296$ 张内窥镜图像，正确识别了 $77$ 类胃癌病变中的 $71$ 类，灵敏度为 $92.2\%=\frac{71}{77}$ ，有 $161$ 类非癌性病变被CNN诊断为癌性，达到 $30.6\%=\frac{71}{71+161}$的 $PPV$。

灵敏度
表2展示了肿瘤大小和深度对敏感度的影响：

被CNN遗漏的胃癌病变有六类，如下图所示。其中有五类的肿瘤大小都是小于 $5mm$ 的，这六类都是较浅的病变或者分化型粘膜内癌症，很难和胃炎区分开，即便是对经验丰富的内窥镜医师而言，从而影响到诊断系统的灵敏度，但同时也能够看出，CNN可以完全正确的识别所有扩散性癌症。

PPV
CNN将 $161$ 例非癌性的病变诊断为了胃癌，主要原因有两个。

• 胃炎：在这 $161$ 例中，有接近一半是伴有色调改变或不规则粘膜表面的胃炎。
• 正常组织：CNN将一些正常结构如幽门、胃角等识别为胃癌。

如下图所示，a-c为胃炎，d为正常组织。

文章在讨论部分提到，对胃上皮肿瘤进行无内窥镜检查的胃活检，一般PPV都非常低，大约在 $3.2-5.6\%$，考虑到内镜医师的PPV通常也非常低，但在临床实践中，假阴性的问题要比假阳性更严重，因此该CNN诊断系统达到的 $30.6\%$ PPV在临床上是可以接受的。如果CNN能够更系统地了解正常的解剖结构以及各种良性病变，那么胃癌检测的PPV将来将进一步提高。

5. 意义

• 首篇使用CNN方法进行胃镜图片胃癌检测的文章，并且达到 $92.2\%$ 的敏感性；
• 仅耗时 $47s$ 检测了 $2296$ 张内窥镜图像，速度快，能在短时间内诊断较多的内镜图像，可以减轻内镜医师的压力；
• 该诊断系统可以线上执行，从而解决偏移及农村地区和发展中国家内镜医师不足的问题。

6. 局限性

• 训练集和测试集都只用了高质量的内镜图像，若加入质量较低的，CNN也许会产生错误识别；
• 未进行图像数量和CNN准确性之间的研究；
• 测试集中仅包含胃癌内窥镜图像，没有测试其他的内镜图像，然而在内窥镜图像研究中胃癌出现的频率是非常低的；
• 检测中出现的 $161$ 例假阳性并未得到组织学的证实，因此可能存在隐匿性癌症病变；
• 训练集和测试集中的图像均由一位内镜医师进行手动标记，可能存在错误；
• 没有将CNN的准确性和内镜医师进行对比；
• 测试图像均来自于一种内窥镜设备和内窥镜视频系统设备，没有包括从其他内窥镜设备获得的图像。

7. 总结

总感觉因为数据集的原因，CNN能够达到的灵敏度可能存在点问题。。。