深度学习算法结合数字病理成像在医疗领域辅助诊断方面得到广泛研究，但其临床应用中一直受到限制：算法训练的模型在面对实际样本玻片制备和数字化过程中多种因素导致的图像扰动时，预测性能会显著下降。

    北京大学工学院罗琳课题组对血涂片图像扰动问题进行建模并提出了一种智能病理算法，有效提高了算法用于辅助诊断应用的鲁棒性，相关工作“Corruption-Robust Enhancement of Deep Neural Networks for Classification of Peripheral Blood Smear Images”在医学图像计算和计算机辅助干预国际会议MICCAI 2020上发表。该会议是医学影像人工智能领域的国际顶级会议，因前沿成果和国际挑战赛在全球研究者尤其是业界中具有广泛的影响力和引领作用。

Smear-C 扰动示意图

      团队针对血涂片制备及成像过程中的常见扰动，建立了包括划痕、染色过酸、过度曝光等16类扰动类型的基准数据集Smear-C，并提供可模拟血涂片扰动的可控制参数模型和衡量算法鲁棒性的基准数据集。在此基础上团队提出了一种新的神经网络鲁棒算法SmearRobust。实验结果表明，SmearRobust将传统算法在扰动情况下的细胞识别准确率49.11% 提升至82.69%，有效提高了神经网络的鲁棒性。

SmearRobust 结构图

SmearRobust细胞识别平均准确率对比

    会议审稿人评价该工作“具有重要的临床价值”，“是数字病理中重要且及时的工作”。该工作对弥补实验室算法模型到临床诊断应用之间的差距有重要意义，提出的模拟扰动模型和鲁棒性算法可拓展用于更为广泛的骨髓涂片、组织和细胞病理图像。

   该工作与北京协同创新研究院和中国医学科学院北京协和医学院血液病医院合作完成，课题组硕士研究生章松涛为论文第一作者，罗琳为通讯作者。该工作得到了国家自然科学基金委、江苏省自然科学基金委员会、深圳科技创新委员会、北京大学工程科学与新兴技术高精尖创新中心的支持。