使用人工智能來(lái)輔助病理醫(yī)生對(duì)樣本進(jìn)行診斷，不僅能夠大幅度提高醫(yī)師的診斷效率，而且可以減少漏診，提高診斷準(zhǔn)確率。

數(shù)字化的病理影像能夠觀察到組織細(xì)胞形態(tài)，在最高數(shù)字掃描時(shí)，文件尺寸達(dá)到GB量級(jí)，需要利用人工智能和系統(tǒng)工程學(xué)的技術(shù)去突破這些困難。

在這篇文章當(dāng)中，我將會(huì)從人工智能系統(tǒng)的構(gòu)建方法角度來(lái)入手，舉例消化道病理影響輔助系統(tǒng)研發(fā)過(guò)程中的技術(shù)細(xì)節(jié)。

當(dāng)然，這是相對(duì)陌生的醫(yī)療科技領(lǐng)域知識(shí)，為了讀者能更快的理解和吸收，全篇也會(huì)圍繞產(chǎn)品經(jīng)理的角度去解。

一、什么是病理？

病理就是通過(guò)分析病人的組織，細(xì)胞和體液樣本來(lái)診斷疾病。

那么，病理對(duì)于臨床醫(yī)生提供進(jìn)一步治療策略的金指標(biāo)。

這里有個(gè)容易混淆的是AI醫(yī)學(xué)影像，并不是所有都是從CT、X光、B超等分析得出。就拿胃癌篩查來(lái)說(shuō)，它的病理影像通過(guò)掃描儀掃描組織放大形成大概1.4GB影像來(lái)進(jìn)行分析判斷的。

不同病種的病理來(lái)源

病理影像都是與眾不同的，這也是技術(shù)上的挑戰(zhàn)。

那么在進(jìn)行病理判斷之前，我們需要建立一套訓(xùn)練模型，通過(guò)醫(yī)生標(biāo)注的圖像進(jìn)行增強(qiáng)訓(xùn)練以及數(shù)據(jù)處理。

二、TENSORFOLW工作原理

我們講解TensorFolw訓(xùn)練模型時(shí)，我們要了解整個(gè)的深度學(xué)習(xí)的流程。

簡(jiǎn)易工作流程

數(shù)據(jù)源一般來(lái)自醫(yī)院的PACS、RIS系統(tǒng)等，形成數(shù)據(jù)隊(duì)列后進(jìn)行數(shù)據(jù)增強(qiáng)圖像方向的魯棒性。

另外，我們要注意掃描儀的倍數(shù)，會(huì)造成在不同樣的倍數(shù)情況下圖像的魯棒性。

然后利用TensorBoard來(lái)進(jìn)行模型監(jiān)控，TensorBoard是一個(gè)可視化工具，能夠有效地展示Tensorflow在運(yùn)行過(guò)程中的計(jì)算圖、各種指標(biāo)隨著時(shí)間的變化趨勢(shì)以及訓(xùn)練中使用到的數(shù)據(jù)信息。

再通過(guò)TensorFolw導(dǎo)出（病理）模型交給生產(chǎn)環(huán)境推理框架（TensorFolw Serving）進(jìn)行自動(dòng)處理。

那tensorfolw serving是怎么工作的呢？

Tensorserving工作流程

tensorfolw serving把病理切片分成坐標(biāo)標(biāo)記的小塊切分之后把節(jié)點(diǎn)讓一個(gè)map每個(gè)輸入分片會(huì)讓一個(gè)map任務(wù)來(lái)處理，默認(rèn)情況下，以HDFS的一個(gè)塊的大小（默認(rèn)為64M）為一個(gè)分片，當(dāng)然我們也可以設(shè)置塊的大小。

map輸出的結(jié)果會(huì)暫且放在一個(gè)環(huán)形內(nèi)存緩沖區(qū)中（該緩沖區(qū)的大小默認(rèn)為100M，由io.sort.mb屬性控制），當(dāng)該緩沖區(qū)快要溢出時(shí)（默認(rèn)為緩沖區(qū)大小的80%，由io.sort.spill.percent屬性控制），會(huì)在本地文件系統(tǒng)中創(chuàng)建一個(gè)溢出文件，將該緩沖區(qū)中的數(shù)據(jù)寫入這個(gè)文件。在寫入磁盤之前，線程首先根據(jù)reduce任務(wù)的數(shù)目將數(shù)據(jù)劃分為相同數(shù)目的分區(qū)，也就是一個(gè)reduce任務(wù)對(duì)應(yīng)一個(gè)分區(qū)的數(shù)據(jù)。

這樣做是為了避免有些reduce任務(wù)分配到大量數(shù)據(jù)，而有些reduce任務(wù)卻分到很少數(shù)據(jù)，甚至沒(méi)有分到數(shù)據(jù)的尷尬局面。其實(shí)分區(qū)就是對(duì)數(shù)據(jù)進(jìn)行hash的過(guò)程。

然后對(duì)每個(gè)分區(qū)中的數(shù)據(jù)進(jìn)行排序，如果此時(shí)設(shè)置了Combiner，將排序后的結(jié)果進(jìn)行Combia操作，這樣做的目的是讓盡可能少的數(shù)據(jù)寫入到磁盤。

MAP與reduce機(jī)制再將分區(qū)中的數(shù)據(jù)拷貝給相對(duì)應(yīng)的reduce任務(wù)。Reduce會(huì)接收到不同map任務(wù)傳來(lái)的數(shù)據(jù)，并且每個(gè)map傳來(lái)的數(shù)據(jù)都是有序的。

如果reduce端接受的數(shù)據(jù)量相當(dāng)小，則直接存儲(chǔ)在內(nèi)存中（緩沖區(qū)大小由mapred.job.shuffle.input.buffer.percent屬性控制，表示用作此用途的堆空間的百分比），如果數(shù)據(jù)量超過(guò)了該緩沖區(qū)大小的一定比例（由mapred.job.shuffle.merge.percent決定），則對(duì)數(shù)據(jù)合并后溢寫到磁盤中。

隨著溢寫文件的增多，后臺(tái)線程會(huì)將它們合并成一個(gè)更大的有序的文件，這樣做是為了給后面的合并節(jié)省時(shí)間。

其實(shí)不管在map端還是reduce端，MapReduce都是反復(fù)地執(zhí)行排序，合并操作，現(xiàn)在終于明白了有些人為什么會(huì)說(shuō)：排序是hadoop的靈魂。合并的過(guò)程中會(huì)產(chǎn)生許多的中間文件（寫入磁盤了），但MapReduce會(huì)讓寫入磁盤的數(shù)據(jù)盡可能地少，并且最后一次合并的結(jié)果并沒(méi)有寫入磁盤，而是直接輸入到reduce函數(shù)。

最后返回?cái)?shù)據(jù)到后端。

同樣的流程可以遷移學(xué)習(xí)，病理圖像有很多相似的地方，腺、息肉、囊腫等等都可以同理應(yīng)用。