CUSAT 透過深度學習改善癌症篩檢

人工智慧可以改善乳癌腫瘤分級的一致性與重複性，但很難建立 AI 解決方案。為訓練標註圖像耗時又費力，而且已有標記的圖像也不多。

兩名研究員開創先河。它使用標記和未標記的圖像來實現高精確度，同時將標註工作負載降至最低。該解決方案無法在 GPU 上執行，因此 Intel 提供基於第 2 代 Intel® Xeon® 可擴充處理器的技術架構。

挑戰

• 深度學習解決方案可協助診斷癌症，但需要標記的圖像進行訓練。
• 標記組織病理學圖像耗時又費力。
• 為了取得最佳成果，深度學習解決方案必須能夠處理高解析度的圖像，且 GPU 無法在記憶體中保存整個 AI 模型。

解決方案

• NAS-SGAN 方法使用未標記的圖像來理解資料分佈，並使用標記的圖像為癌症分級。
• 四部搭載第 2 代 Intel Xeon 可擴充處理器的伺服器同時訓練解決方案，每部伺服器配備 192 GB 的記憶體。
• Intel® Optimization for TensorFlow 可以輕鬆使用處理器的加速功能。

成果

• NAS-SGAN 僅標註 20% 的資料就實現了 98%的準確度。¹
• 新的解決方案不僅可以偵測癌症，而且可以進行分類，這是先前基於生成對抗網路（GANs）的解決方案所辦不到的。
• 解決方案簡化了診斷流程，醫師可以透過審閲圖像和分類做出治療決策。

有限的標記資料使癌症 AI 成為挑戰

乳癌是世界上最普遍的癌症，2020 年有 230 萬 名婦女診斷罹患乳癌。²在每個國家都會發生，主要影響青春期後所有年齡層的婦女。

目前使用組織病理學圖像來診斷和監控疾病。這些是組織樣本的微觀圖像。核異型評分（NAS）按腫瘤細胞與正常組織的差異程度對腫瘤進行分級。世界衞生組織（WHO）採用諾丁漢分級系統（NGS）作為乳癌分級標準。NGS 與患者生存機會相關，可用於指導個體化治療計畫。

對圖像手動分級很不容易。分析圖像的醫生可能無法始終如一地做出相同的分級決定，而執行分析的人意見可能不盡相同。這也是相當耗時的程序。

使用深度學習的自動篩選可以克服手動分析的侷限。然而，由於訓練資料不足，很難產生深度學習的模型。雖然可以在幾分鐘內經濟高效地建立原始圖像，但標記的過程耗時費力。標記的組織病理學圖像少之又少。

此外，深度學習模型必須能夠處理大型圖像（1024x1024 像素），以便取得最佳結果。「為了準確地分級圖像，重要的是必須精確擷取形態特徵，」印度 Cochin University of Science and Technology 人工智慧與電腦視覺實驗室的 Madhu Nair 博士說。「癌症的等級和分期取決於形態特徵。不能直接縮小圖像的大小來適應模型的大小。我們必須使用高解析度的圖像，來擷取所有差異。」

印度 Union Christian College 的 Asha Das 博士與 Nair 一同接受挑戰。「我們的問題是：是否可以使用較少標記的資料開發模型，但仍然可以獲得高精確度？」 Nair 說。

生成對抗網路模型幫助 AI 歸納

生成對抗網路（GAN）是一種可用於產生新圖像的神經網路解決方案，可判斷圖像的真偽。GAN 由兩個合作的神經網路組成：建立圖像的產生器，和判斷圖像是否和樣本集相符的鑑別器。

GAN 可用來產生組織病理圖像。這些可以新增至真正組織病理圖像的訓練資料集；如此一來，深度學習模型在顯示前所未見的圖像時，可以更佳歸納。

過去 GAN 也用來偵測腫瘤與其它異常，但以前的做法無法對圖像進行分級。

圖 1。NAS-SGAN 模型使用未標記的圖像產生新圖像，以擴大訓練資料集，並使用標記的圖像訓練鑑別器，以為不同的癌症分級進行分類。

Das 與 Nair 建立了一個名為 NAS-SGAN 的模型，鑑別不同的癌症等級（見圖 1）。名稱是核異型評分（NAS）半監督生成對抗網路（SGAN）的縮寫。NAS-SGAN 使用未標記的圖像來理解資料分佈，並使用標記的圖像來分級癌症。

它分兩階段運作：

1. GAN 用於建立真正的組織病理學圖像無法區分的圖像。GAN 使用未標記的圖像進行訓練，這些圖像相對容易取得。新圖像用來協助解決方案理解資料分佈。
2. 然後使用標記圖像訓練 GAN 鑑別器以預測癌症等級。

嘗試使用 GPU 實施解決方案失敗。「執行需要數天的時間，有時會中斷，」Nair 表示。「我們無法使用這些機器完成專案。」

Das 和 Nair 與 Intel 合作使用第 2 代 Intel Xeon 可擴充處理器執行解決方案。四台伺服器組成一個運算叢集，沒有任何深度學習加速器。伺服器和儲存裝置是以 25 G 乙太網路連接。
「Intel® 架構令人驚艷，」 Nair 表示。「我們可以在數小時內完成訓練。由於伺服器擁有 192 GB 的記憶體，比顯示卡可用的 40 GB 或 80 GB 多，我們可以使用高解析度圖像，並將整個模型放進記憶體。」

軟體堆疊使用 Intel Optimization for TensorFlow，旨在使用 Intel® 處理器的加速功能。其中包括 Intel® Deep Learning Boost (Intel® DL Boost)，加速深度學習訓練中常用的矩陣運算。「 Intel Optimization for TensorFlow 與 TensorFlow 的主要版本運作方式相同，」 Nair 表示。

開源 Horovod 訓練架構用於啟用跨伺服器叢集的分散式訓練。

Intel 支持研究

Intel 與 Das 和 Nair 密切合作，研究專案的技術層面。「我們心中有構想，只是擔心無法落實，」 Nair 表示。「我將問題告知 Intel 團隊，非常高興他們馬上理解這項工作的重要性。他們供了使用這個分散式架構的機會。」

他補充道：「他們也協助我們改善模型，與我們共享最佳化，使其正常運行。這就是我們能夠成功的原因。Intel 的支持，我們非常感謝。和 Intel 團隊合作的經驗很棒，我們期待繼續合作。」

使用有限標記的訓練資料，達到高精確度

Das 和 Nair 將 NAS-SGAN 的效能與偵測乳癌的另外十種 GAN 演算法進行比較。NASSGAN 達到了 98% 的精確度，比下個等級的 GAN（WGAN-GP）高出約 10%。¹ 精確度 97%，比 WGANGP 高出 18%。¹

NAS-SGAN 在 F1 分數上也表現出色，其代表調和平均數。¹ 它包括（除其他事項外）誤報和漏報。NAS-GAN 的 F1 分數為 97%，比 WGAN-GP 高 15%¹。

「我們對結果非常滿意，」 Das 表示。「只用 20% 標註的資料就能實現 98% 的精確度確實很不簡單。相當令人振奮。」

她補充道：「由於使用兩個 GAN 的方式，我們的模型可以更明確地鑑別區分等級的特徵。我們也能使用中等大小的圖像獲得幾乎相當的結果。」

若是使用其他 GAN，醫師必須研究圖像才能將其分級。NAS-SGAN 的自動化評分有助於簡化診斷流程與分析流程，協助改善分級的一致性和精確度。醫生可以檢閱圖像和分級，做出治療決策。

未來展望呢？研究員正在研究如何使用類似的方法來解決腦動脈瘤導致的死亡率，以及對內視鏡下的瘜肉進行分類。

學到的經驗

這項專案帶來的主要經驗是：

• NAS-SGAN 演算法透過增加分級癌症圖像的能力，解決其他 GAN 模型用於乳癌篩選的缺陷。
• 即使在使用有限數量的標註資料時， NAS-SGAN 也能實現高精確度的結果。¹ 這麼做可以盡量減少耗時費力的圖像分類過程。
• 研究員無法使用 GPU 實現專案。透過 CPU，便能使用 1024 x1024 像素的高解析度訓練圖像來訓練 AI 模型，並將整個模型保留在記憶體中。
• Intel Optimization for TensorFlow 的功能包括加速 TensorFlow 在 Intel 架構上的效能。

解決方案的技術元件

• Intel® Xeon® Gold 6248 處理器。雙插槽處理器提供 20 核心。處理器置於具有 192 GB 記憶體的伺服器中，用於深度學習解決方案。
• Intel Optimization for TensorFlow。此軟體利用 Intel 處理器中的加速功能，增強 Intel 架構上的 TensorFlow 效能。
• Horovod。此開源解決方案能讓研究員在單一叢集中跨多部伺服器運行訓練。每部伺服器同時處理 64 張圖像中的 16 張圖像。

下載 PDF ›