深度强化学习助力医疗诊断：腾讯推出绝悟RLogist

我们先来了解一下处理病理切片的难点。

与想象中只需扫一眼不同，临床科室首先会将组织切片进行全片扫描数字化处理。

在这之后，交到医生手里的往往是一张几万乘几万像素、甚至更高的高分辨率图像，能达到每个像素0.25微米。

在这幅巨大的图像中，充满了密密麻麻的细胞和组织，想要从中找出隐藏的风险病灶，就如同在茫茫大海中寻找针一般困难。对于医生来说，这项任务挑战性极大，需要具备高超的观察能力和专业知识。

在《我的世界》里找木头的动作，和在病理切片里找病灶，其实思路差不多。

同样是环顾四周搜集全局信息（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。

因此，基于游戏AI的 research，腾讯的研究团队成功研发出了他们的最新成果——“绝悟RLogist”。这个名称中的“RL”代表了强化学习，而“Pathologist”则暗示了该技术在游戏AI领域的应用，旨在像病理学家一样提供深入的理解和精确的决策。

绝悟RLogist具体是怎么实现的呢？决策提效400%

如前所述，人类医生所采用的解决思路，正是“绝悟RLogist”所采纳的策略——基于深度强化学习技术，以探寻观看视频的最优路径。

这一新方法的好处很明显：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。

通过模仿人类的思维方式，不仅提高了看片效率，还做到了节约成本。

具体而言，研究人员通过条件特征超分辨率实现了交叉分辨率信息融合。

受益于条件建模，未观测区域的高分辨率特征，可以根据已经被观测过的低分辨率和高分辨率的特征配对，而被更新。