使用人工智能來輔助病理醫生對樣本進行診斷，不僅能夠大幅度提高醫師的診斷效率，而且可以減少漏診，提高診斷準確率。

數字化的病理影像能夠觀察到組織細胞形態，在最高數字掃描時，文件尺寸達到GB量級，需要利用人工智能和系統工程學的技術去突破這些困難。

在這篇文章當中，我將會從人工智能系統的構建方法角度來入手，舉例消化道病理影響輔助系統研發過程中的技術細節。

當然，這是相對陌生的醫療科技領域知識，為了讀者能更快的理解和吸收，全篇也會圍繞產品經理的角度去解。

一、什么是病理？

病理就是通過分析病人的組織，細胞和體液樣本來診斷疾病。

那么，病理對于臨床醫生提供進一步治療策略的金指標。

這里有個容易混淆的是AI醫學影像，并不是所有都是從CT、X光、B超等分析得出。就拿胃癌篩查來說，它的病理影像通過掃描儀掃描組織放大形成大概1.4GB影像來進行分析判斷的。

不同病種的病理來源

病理影像都是與眾不同的，這也是技術上的挑戰。

那么在進行病理判斷之前，我們需要建立一套訓練模型，通過醫生標注的圖像進行增強訓練以及數據處理。

二、TENSORFOLW工作原理

我們講解TensorFolw訓練模型時，我們要了解整個的深度學習的流程。

簡易工作流程

數據源一般來自醫院的PACS、RIS系統等，形成數據隊列后進行數據增強圖像方向的魯棒性。

另外，我們要注意掃描儀的倍數，會造成在不同樣的倍數情況下圖像的魯棒性。

然后利用TensorBoard來進行模型監控，TensorBoard是一個可視化工具，能夠有效地展示Tensorflow在運行過程中的計算圖、各種指標隨著時間的變化趨勢以及訓練中使用到的數據信息。

再通過TensorFolw導出（病理）模型交給生產環境推理框架（TensorFolw Serving）進行自動處理。

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標記的小塊切分之后把節點讓一個map每個輸入分片會讓一個map任務來處理，默認情況下，以HDFS的一個塊的大小（默認為64M）為一個分片，當然我們也可以設置塊的大小。

map輸出的結果會暫且放在一個環形內存緩沖區中（該緩沖區的大小默認為100M，由io.sort.mb屬性控制），當該緩沖區快要溢出時（默認為緩沖區大小的80%，由io.sort.spill.percent屬性控制），會在本地文件系統中創建一個溢出文件，將該緩沖區中的數據寫入這個文件。在寫入磁盤之前，線程首先根據reduce任務的數目將數據劃分為相同數目的分區，也就是一個reduce任務對應一個分區的數據。

這樣做是為了避免有些reduce任務分配到大量數據，而有些reduce任務卻分到很少數據，甚至沒有分到數據的尷尬局面。其實分區就是對數據進行hash的過程。

然后對每個分區中的數據進行排序，如果此時設置了Combiner，將排序后的結果進行Combia操作，這樣做的目的是讓盡可能少的數據寫入到磁盤。

MAP與reduce機制再將分區中的數據拷貝給相對應的reduce任務。Reduce會接收到不同map任務傳來的數據，并且每個map傳來的數據都是有序的。

如果reduce端接受的數據量相當小，則直接存儲在內存中（緩沖區大小由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），如果數據量超過了該緩沖區大小的一定比例（由mapred.job.shuffle.merge.percent決定），則對數據合并后溢寫到磁盤中。

隨著溢寫文件的增多，后臺線程會將它們合并成一個更大的有序的文件，這樣做是為了給后面的合并節省時間。

其實不管在map端還是reduce端，MapReduce都是反復地執行排序，合并操作，現在終于明白了有些人為什么會說：排序是hadoop的靈魂。合并的過程中會產生許多的中間文件（寫入磁盤了），但MapReduce會讓寫入磁盤的數據盡可能地少，并且最后一次合并的結果并沒有寫入磁盤，而是直接輸入到reduce函數。

最后返回數據到后端。

同樣的流程可以遷移學習，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用。