记者从腾讯方面获悉，腾讯AI Lab19日发布其决策智能AI“绝悟”的最新成果“绝悟RLogist”，将AI深度强化学习技术迁移到病理全片扫描图像诊断领域，在性能接近的情况下，将传统病理阅片效率提升400%。

(资料图)

该研究相关论文被国际人工智能顶级学术会议“AAAI 2023”接收，代码已开源。

据了解，“绝悟”AI是腾讯将游戏场景与人工智能技术进行融合研究的核心探索之一，此前腾讯先后在 MOBA、RTS、3D开放世界(Minecraft)等多类型游戏中取得了业界领先的研究成果，证明了其在游戏复杂环境中较为优秀的决策智能水平。

本次发布的“绝悟RLogist”受启发于“绝悟”在3D游戏环境中进行观测并做出决策的过程，将这些能力迁移至病理阅片场景，提出了基于深度强化学习找寻最优看片路径的方法，并在相关测试数据集中表现出较高的效率。

数据显示，显微扫描仪生成的高分辨率图像往往能够达到每个像素0.25微米，每张图像的尺寸经常是几万乘几万像素甚至更高，虽然这能更全面地展现切片信息，却也给医生的阅片带来了更大的压力，他们要从布满密集细胞和组织的超大尺寸图像中，肉眼找到风险的病灶位置并进行判断，“大海捞针”式的工作难度很大。

“绝悟”团队观察到，病理医生的阅片行为，可以转化为最优路径决策问题，而解决这类问题正是强化学习所擅长的方向。以“绝悟”在Minecraft环境中完成挖木头任务为例，AI首先要环顾四周搜集全局信息(类比病理医生在低倍镜下扫片)，然后锁定视角(高倍镜确认)，找到木头后执行采集动作(确认病灶)，如此往复。

受此启发，“绝悟RLogist”创新性地尝试了一种类似医生病理阅片的决策思路，采用了基于深度强化学习的，找寻最优看片路径的方法，避免了用传统的穷举方式去分析局部图像切块，而是先决策找到有观察价值的区域，并通过跨多个分辨率级别获得代表性特征，以加速完成全片判读。

研究团队选择“淋巴结切片转移检测”及“肺癌分型”两个全片扫描图像的分类任务进行基准测试(TCGA-NSCLC 和 CAMELYON16 WSI 数据集)。结果表明，与典型的多实例学习算法相比，“绝悟RLogist”观察路径显著变短情况下，能够实现接近的分类表现，决策效率提升400%。

同时，该方法具体较好的可解释性。通过将“绝悟RLogist”的决策过程可视化，有潜力应用于教育性或者辅助性的医疗诊断场景。

据了解，该项研究成果获得了同行审稿人的高度评价。研究员表示，未来团队将沿着两大路径持续优化，一方面，通过引入更强的神经网络结构增强“绝悟RLogist”的表征学习能力，另一方面，使用更高阶的RL训练方法避免学习到错误的观测路径，相信未来能在该领域进一步发挥AI技术的作用。

（文章来源：新华财经）

关键词：