数字病理学中的大规模人工智能，无需繁重的工作

图为：用 H&E 和免疫荧光 (IF) 标记并排染色的组织样本。

这是Ultivue产品经理莫里茨·维德迈尔、技术和信息技术首席顾问马丁·舒尔兹以及产品战略和企业发展副总裁（副总裁）弗洛里安·莱斯的客座文章。

病理学目前正在发生转变。尽管显微镜仍然在许多工作流程中占据主导地位，但数字病理学与人工智能（AI）相结合正在颠覆这一领域。它们共同开启了通往精准医疗的道路，并将成为我们对抗癌症的最强武器之一。一个多世纪以来，病理学家一直在研究以苏木精和伊红（H&E）染色为突出显示的患者组织切片的形态学模式。他们积累了关于组织和细胞形态学的综合见解如何描述疾病特征和指导治疗选择的全面知识。人工智能工具可以用定量测量来补充专家评估，从而实现数据驱动的医学。人工智能公司已经形成这样的想法，即人工智能可以补充病理学家对H＆E幻灯片的专家评估。

Ultivue 就是这样一家基于亚马逊网络服务 (亚马逊云科技) 的医疗保健技术（HealthTech）公司，提供高质量的多重免疫荧光检测和基于人工智能的大规模计算病理学。

彩色组织分析

随着免疫疗法的出现，对免疫系统（和肿瘤细胞）进行更精细的表征已成为支持临床病理和诊断的必要条件。

总体而言，我们的免疫系统包括多种不同的细胞类型（T细胞、B细胞等），这些细胞在H＆E幻灯片中很难区分。使事情复杂化的是，这些细胞类型中的大多数可以细分为大量的 “专业化” 和活动状态，而这些状态再也无法与H＆E幻灯片区分开来。病理学家和人工智能都无法从 H&E 切片中透露所需的信息，因为这些信息是在组织切片进行染色和数字化时捕获的。尝试通过 “数字病理学”（即只看 H&E 染色部分）的眼光来理解肿瘤免疫微环境，可以比作使用黑白摄影在红色郁金香田里发现黄色郁金香。

免疫荧光相当于病理学的彩色摄影。它使我们能够通过添加高度特异性的染色通道，并在人工智能、它们的空间关系或空间生物学的帮助下看到更多的细胞表型。

Ultivue 结合了开发高质量多重免疫荧光检测和基于人工智能的计算病理学方面的专业知识。我们的目标是使用人工智能大规模分析组织图像，在完整组织背景下深入表征免疫细胞和肿瘤细胞及其空间关系。这带来了多重挑战。我们的多重免疫荧光图像可以有50亿像素和超过五个，有时是13个通道。这些图像的容量可以高达 100 GB。10 到 100 GB 的图像呈现的数量级与许多系统的构建目的不同，包括为分析病理学中的 H&E 图像而构建的系统。开发这些组织分析并了解丰富图像数据中科学复杂性的专家大多不是人工智能工程师和云架构师。他们希望算法支持图像的解释，从而快速生成结果，而无需编写或读取代码。

在 亚马逊云科技 上处理超过 10 GB 的图像

Amazon Simple Storage Service ( Amazon S3 ) 为存储这些数据提供了一种经济实惠且可扩展的解决方案，与 亚马逊云科技 Storage Gateway 相结合 ，可以实现类似块存储 的传统访问。亚马逊云科技 Storage Gateway 是我们解决方案的重要组成部分，因为没有它，病理学家和科学家所依赖的许多常用工具将无法运行。但是，这些在 Windows 桌面上运行的常用工具的扩展性不佳。这就是 亚马逊 SageMaker 的用武 之地。

图 1。使用亚马逊 S3、亚马逊云科技 Storage Gateway、亚马逊 SageMaker 和亚马逊 SageMaker Studio 作为关键组件的 Ultivue 架构。

对于此解决方案，我们使用 具有智能分层功能的 Amazon S3 以经济实惠的方式存储数据，实现低延迟访问。存储网关通过 SMB 网络文件系统提供 Windows 客户端可以使用的文件共享。 Amazon WorkSpaces 为用户提供预先配置的桌面工作环境，包括存储网关支持的网络驱动器。

亚马逊 SageMaker Studio 为人工智能工程师和病理学家提供了云工作环境。我们使用亚马逊 SageMaker 的处理、训练和推理 API 来分析任何规模的图像。

亚马逊 SageMaker Studio 作为非技术用户的用户界面

当像Ultivue一样大规模处理数据时，利用云服务的可扩展性的需求无处不在。但是，生物技术领域需要不能同时成为软件和信息技术专家的医学和生物专家。我们的用户界面必须简化高度可扩展的计算服务（例如Amazon SageMaker）的使用，同时为人工智能工程师等各种用户提供灵活性。

利用定制映像和生命周期配置，Ultivue 能够在高度灵活的 Amazon SageMaker Studio 界面之上提供类似内部应用程序商店的体验。

图 2。用户体验的屏幕截图。

过去，图像分析专家和人工智能工程师与软件工程师合作，将算法集成到自定义处理环境中，并将它们连接到不同的数据源。现在，大规模处理和数据管道已简化为 API 调用，图像分析专家无需任何中介即可将其算法提供给病理学家。

从像素到物体

如果没有图像分析，信息丰富的多通道图像只是图像。人类，即使是训练有素的专家，也受到视网膜中仅存在三色受体的限制。因此，对来自Ultivue技术通常使用的5-13个通道的信息进行可视化处理变得越来越困难，更不用说考虑组织切片中存在的数百万个细胞之间可能存在的数十种甚至一百种不同细胞类型的相互作用了。

基于人工智能的图像分析使我们有机会对数百万个细胞进行分类，并以数据驱动的方式询问它们的频率和空间关系。这可以帮助找出哪些特定的免疫细胞需要与其他免疫细胞对话或与肿瘤细胞子集相互作用以预测治疗结果等等。

访问 Ultivue 以了解有关此解决方案的更多信息。

在 亚马逊云科技 for Healt h 上详细了解医疗保健和生命科学组织如何使用 亚马逊云科技 。 您想了解更多有关如何使用 亚马逊云科技 进行数字病理学和其他医疗保健解决方案的信息吗？ 在此处联系 亚马逊云科技 公共部门团队 。

图为：图像分析检测到分类单元格时，它们叠加在 IF 图像上。

阅读有关医疗保健领域的 亚马逊云科技 的更多信息：

• Digithurst 和 Telepaxx 如何使用 亚马逊云科技 建立安全且可扩展的放射学解决方案链
• AMILI 通过在 亚马逊云科技 上构建微生物组库来帮助推进精准医学
• 利用 AI 帮助预防年轻运动员心脏骤停
• KHUH 如何使用 亚马逊云科技 为医疗图像数据构建长期存储解决方案
• 在 亚马逊云科技 云中解开医学之谜：通过未确诊疾病网络进行医疗数据共享创新

订阅 亚马逊云科技 公共部门博客时事通讯 ， 将来自公共部门的 亚马逊云科技 工具、解决方案和创新的最新信息发送到您的收件箱，或者 联系我们 。

请花几分钟时间在本次调查中分享您对 亚马逊云科技 公共部门博客的体验的见解 ，我们将使用调查的反馈来创建更多符合读者偏好的内容。