计算病理学的技术进步

（一）基于WSI模式的DS图像奠定了CPATH的基础

正如第一章所介绍的那样，几十年来，组织病理相关的工作者和研究人员以及工程技术人员一直致力于玻璃切片的数字化，以使基于光学显微镜为观察和研究手段的传统病理学技术适应不断快速发展的信息工程技术。从原始的玻璃切片的显微图像拍照到模拟图像的局部组织区域的观察和截取，再到机器人动态显微镜的实时互动，应该说每一次进步都为组织病理学诊断和研究带来了更方便快捷的工作体验，但是，这些进步仍然难以适应快速发展的信息工程技术要求，也仍然难以实现病理学诊断和研究工作在计算机工作站上对整张组织切片的观察和分析。而直到WSS的研制成功和基于WSI的玻璃切片数字化模式的出现，才彻底改变了组织病理学领域的观察分析和工作方式。基于WSI的DS图像最基本的特点是在计算机屏幕上模拟光学显微镜对整张组织切片进行光学分辨率的随时放大和缩小，从而实现对整张组织切片不同倍数、不同区域的全面观察和分析。DS图像的这种特点一是可以使病理医师在电脑屏幕上进行组织学观察和诊断，使常规病理诊断工作的方式发生了巨大变化；二是为实现传统的病理图像分析由人工、局部转向了计算机自动进行。因此，可以说基于WSI的DS图像的出现，奠定了CPATH的实现基础。

（二）ML正在改变传统图像分析方法

“图像分析”通常是指以客观和可复制的方式从图像中获取有意义的信息的特定学科［212］。传统的图像分析的基本方法是通过人工手动提取一些图像中的目标信息，根据这些信息设定适当的参数并构建到算法中，通常只能在图像的局部区域进行测试。这些信息只能由受过训练的病理医师／病理学家或生物技术专家通过视觉获取，所以，这些专家必须经过病理学的专业知识培训并具有一定的读片经验。经过多次反复的图像观察和目标信息的取舍，对设定的参数不断进行调整优化，从而使分析过程可以实现不断的迭代。这种传统的图像分析方法主要聚焦于三类不同方向的测量，即图像目标的定位、分类和量化。当算法性能满足预先设定的分析标准时，在分析过程中参数质量检查表现不佳的数据将被调整。然而，人工手动提取的图像特征信息很容易受到病理医师／病理学家的经验、固有认知和视觉偏差的影响。

与上述人工手动调优参数的方法相比，ML通常可以生成更稳健高效的算法，对每个数据集进行更少的迭代优化，从而促进了图像分析领域的重大进步。例如，监督ML算法，使用地面真实标签标记训练，在图像分割（检测特定对象如核分裂）和分类（如肿瘤良恶性）任务中特别有效。由于DL的算法和模式的不断拓展，ML处理数据的能力在过去数十年中有了非常显著的提高，这些进步有助于计算机视觉功能自动发现相关的图像特征。在DP领域，ML增强图像分析现在已被广泛应用于病理实践中，并在许多商业图像分析软件产品中实现，如ER、Ki67指数和核分裂象等一些计量指标的计算应用等。