12 月 19 日，腾讯 AI Lab 发布其决策智能 AI 「绝悟」的最新成果「绝悟 RLogist」，将游戏场景中训练的 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%。
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。
「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，达到业界领先水平。这也代表着「绝悟」成功从游戏场景走向现实世界，朝着解决更多现实世界难题的目标更近了一步。
随着技术发展，目前，病理行业正在加速向全数字化、智能化、云端化方向发展，临床科室常常将组织切片进行全片扫描数字化处理，以便医生阅片及管理。
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”式的工作难度可想而知。
在高清病理图像中，病灶区域可能仅占很小的比例
此前，研究员尝试使用深度学习解决图像/像素级分类和回归问题，在这一方向上取得了不少成果。但是，深度学习的方法在这一方向的应用仍然具有挑战性，主要体现在诊断相关性弱、数据效率低下等问题。
实际上，病理医生在对切片进行判读时，并不需要像这些计算机算法这样去观察高倍镜下的每一个角落。病理医生往往先利用显微镜在低倍镜下进行扫片，在高倍镜下确认相关区域，必要时可以灵活切换不同倍镜进行复核，根据经验决策最优的查看路径，以最终完成全片判读并定位到关键病灶。
人类医生会凭经验放大图像，检查可疑区域
「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」创新性的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。
实验结果表明，与典型的多实例学习算法相比，「绝悟 RLogist」在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 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。
腾讯 AI Lab 作为 AI 游戏研究先行者，其自主研发的深度强化学习智能体正不断走近现实。除了「绝悟」，此前推出的棋牌游戏 AI 「绝艺」在担任国家围棋队训练专用 AI 同时，逐步拓展麻将等非完全信息类博弈能力。
同时，基于对强化学习技术前景的关注，实验室正积极促进强化学习领域的共同发展。2019 年，腾讯 AI Lab 与王者荣耀共同发布 AI 开放研究平台「开悟」，过去三年已通过「以赛促研」助力高校 AI 人才培养。11 月 21 日，平台发布「王者荣耀 AI 开放研究环境」，为非商业用途的机器学习算法研究公开提供业界独有的高复杂度 MOBA 训练环境，助力前沿探索。
未来，腾讯 AI Lab 将与学界、业界携手，共同利用游戏环境不断提升 AI 能力，并寻找 AI 技术解决更多问题的可能性，在现实领域发挥更大作用。
