基底细胞癌是发病率最高的皮肤癌，也是人类最为常见的恶性肿瘤之一。除黑色素瘤以外的皮肤癌中，约80%都是基底细胞癌，而且它们会复发。

由于发病率高，皮肤病理医生每天都在跟基底细胞癌的病理切片打交道，工作量很大，而在基底细胞癌Mohs手术后判断肿瘤切缘是否干净时，类似的工作量更是大大地增加。

那么，能否依靠AI来实现基底细胞癌的自动诊断，从而实现人力资源的节省？

中国科学家——由姜祎群和李洪阳领衔的研究团队，实现了皮肤科基底细胞癌识别和分类上的里程碑成果。他们通过AI算法深入学习研究，构建出基于智能手机采集的目镜切片图像（Microscopic Ocular Images），从而实现基底细胞癌的自动识别和分割，对这种癌症准确检测和定位。

近日，他们的研究成果发表在《英国皮肤病学杂志》（British Journal of Dermatology）上，题为“Recognizing basal cell carcinoma on smartphone-captured digital histopathology images with a deep neural network”。

据悉，此分割模型的IoU(Intersection over Union) 达到0.863，特异性和敏感性达到0.969和0.939，较之前前沿海外研究的0.764的IoU，和0.927和0.869的特异性敏感性都有大幅提升。

具体来看，研究人员们收集了8046个MOI图像，其中6610个具有二进制分类标签，另外1436个具有像素注释。同时，他们收集了128个WSI进行比较。创建了两个深度学习框架。

其中，“级联”框架具有用于识别困难案例（具有低预测置信度的图像）的分类模型和用于进一步深入分析困难案例的分割模型。 “细分”框架直接对所有图像进行分割和分类。敏感性、特异性和曲线下面积（AUC）用于评估BCC识别的总体性能。

结果，基于MOI和WSI的模型在0·95左右可获得可比的AUC。 “级联”框架实现了0·93灵敏度和0·91特异性。 “细分”框架更为准确，但需要更多的计算资源，从而实现了0·97灵敏度，0·94特异性和0·987 AUC。 “分段”框架的运行时间为每个图像15·3±3·9 s，而“级联”框架的运行时间为4·1±1·4 s。此外，“细分”框架实现了0·863的均值相交。

这种模型是以后推广使用价格低廉的目镜图片拍摄进行基底细胞癌检测的一种有效办法，改善治疗效果的同时，还可减少成本。

为方便不同场景的应用，科研团队还研发出三种不同的系统。第一种Segmentation-based BCC recognition system ，可以自动识别出癌组织，并在图像中标识清楚，花费时间约为16秒，能够达到专家同等识别能力。第二种Classification- based BCC recognition system ，有无癌组织分类，直接反馈识别结果，实现在高精度前提下的高速识别，花费时间仅需500毫秒。第三种Cascade BCC recognition system，识别速度最快仅需4.1秒！

来源：Evelyn Zhang、NCBI