病理人工智能是指通過人工智能算法，對數字化的病理切片進行診斷；其中數字病理技術是病理人工智能的基礎，模型的構建是病理人工智能的關鍵。

　　在我國病理人工智能的發展中，技術（算法）與商業模式（病理醫生與人工智能專家之間的合作方式）是推動病理人工智能行業進步的兩個主要因素。

　　在技術（算法）發展中，深度學習算法有力地推動了病理人工智能的發展，但是在數據量較少的時候使用深度學習很難得到理想的效果，行業專家指出要完成一個有效的學習目標，起碼需要十萬級別的訓練量；在商業模式中（病理醫生與人工智能專家之間的合作方式），病理人工智能診斷是輔助病理醫生或是替代病理醫生，還是與病理醫生合作共同完成病理診斷呢？通過本文，我們一起來看一下病理人工智能行業的發展。

病理人工智能前景分析

　　市場需求

　　病理醫生短缺。中國病理人才匱乏，診斷水平參差不齊。數據顯示，目前全國有執照的病理科醫生僅9000人，按照國家衛健委每100張病床配備1至2名病理科醫師的配置要求計算，病理醫生缺口高達9萬人。另外二級醫院病理醫生出診符合率為35%，市級醫院37%，縣級醫院為26%，三級以下醫院病理診斷含金量不足，導致腫瘤治療過度或不足。

　　病理醫生培養難度大、周期長。我國病理醫生長期稀缺，傳統顯微鏡下閱片需要以人的視覺詮釋、知識積累、技能與天分作為基礎，病理醫生培訓周期長達10年之久。

　　精準醫療。精準醫療進入市場成長期，腫瘤精準診斷行業發展空間較大。精準診斷才能實現精準醫療。腫瘤良惡性的準確判別、惡性腫瘤的分類,對于腫患者的臨床治療方法具有重要意義，而這都有依賴于高質量、精準的病理診斷。

　　現有病理診斷的水平難以滿足精準診斷的需求，而病理人工智能提供的定量指標使得精準醫療成為可能。病理人工智能可以完成核分裂像計數、免疫組化陽性強度的判定等技術含量低、工作量大的機械化定量指標，傳統的病理診斷并不能滿足對此類診斷的需求，病理人工智能可以提供類似的定量分析指標，為精準治療提供了參考和指導。

　　病理預后管理。目前癌癥預后管理效果較差。伴隨著生活水平提高，但是癌癥的統計數據卻呈現上升且年輕化趨勢。據調查，中國癌癥五年存活率遠低于發達國家，病理診斷預后效果不夠理想。

　　目前大多數腫瘤分類依賴于主觀經驗對HE切片組織形態學的認識，定性的診斷但不足以提供精確的預后評估。

　　病理人工智能提供的定量指標，為精準的預后評估提供了數據支撐。病理人工智能可以完成核分裂像計數、免疫組化陽性強度的判定等技術含量低、工作量大的機械化定量指標，為精確的預后評估提供了數據支撐。

　　市場痛點

　　“數據孤島”限制了病理人工智能的發展。人工智能開發需要大量的數據作為支撐，國內大部分醫療數據存儲于醫院以及第三方檢驗機構，“數據孤島”現象使得給人工智能診斷學習的病理切片和病理資料偏少。醫院的“數據孤島”現象較為嚴重。一方面是我國醫院系統相對封閉，無法實現資源共享，存在“數據孤島”現象；另一方面，醫療機構內對于病歷的管理執行依據衛生行政部門規定，病理資料一般都封閉在科室內部。

　　第三方檢驗機構缺乏交流合作機制。第三方檢驗機構之間缺乏交流合作機制，盡管它們具有較好的數據資源積累，但不同檢驗機構由于相關設備、軟件的差異，數據標準化程度各不相同，往往基于自身掌握的數據資源進行算法開發。

　　病理醫生的經驗難以量化，機器學習方法需要跟進。從病理學角度來看，全身疾病的種類多達五千余種，每種疾病都有不同的診斷標準，每個標準又有很多對應的特征。病理科醫生需要去判斷疾病的類型和具體情況，為后續的治療提供依據。病理學更多的是一門經驗學科，大部分疾病診斷的參數都在病理醫生的心里。如何把這種難以量化的經驗傳授給機器，是病理人工智能要攻克的難關。

　　人工智能行業人才短缺

　　據業內統計，目前我國人工智能行業的從業人員不足5萬人。國內雖有清華大學、北京大學、復旦大學等高校開設了相關專業，每年培養的技術人員不足5000人，但仍舊難以滿足正在發展勢頭上的病理人工智能領域需求。

　　商業化模式尚未落地

　　行業尚未建立可持續的商業化模式。目前有部分企業掌握病理人工智能技術，但由于病理人工智能醫療產品的特殊性，國內至今尚無病理人工智能產品獲得醫療器械注冊證。這代表著病理人工智能醫療技術不能普遍應用于臨床。C端消費者尚處于市場培育期，現階段尚未接受付費軟件的模式，目前的方法只能以通過人工智能醫療技術以軟件的形式讓醫院付費。如何實現技術產品變現成為建立可持續商業化模式的關鍵。

算法和商業模式如何重構病理人工智能

　　機器學習轉向深度學習

　　深度學習算法加速病理人工智能落地。近年來，高質量數字病理切片的大量積累為病理切片的分析提供了大數據背景，深度學習算法對大數據樣本分析能力強于機器算法，在病理切片分析中表現出巨大潛力。

　　深度學習是一種基于人工神經網絡、對數據進行特征學習的算法的泛稱，包含多層隱層的人工神經網絡模型都可以叫做深度學習。該算法的多層堆疊式結構能夠組合數據的低層特征得到數據的高層特征表達，對于大數據樣本、復雜函數模型具有強大的處理能力，是人工智能領域的熱門研究方向。

　　以深度學習為代表的人工智能在一定程度上減少了病理醫師經驗性誤判導致的誤診情況，提高了工作效率。結合強大的客觀分析能力，計算機還能發現人眼不易察覺的細節，學習到病理切片分子層面上的特征，從而不斷完善病理醫師和數字病理診斷的知識體系。

　　醫工合作模式需深入推進

　　從病理醫生的參與來看，計算機輔助病理醫師診斷依然是現階段主流趨勢，制造出一個可以臨床使用的產品需要多學科科學家的通力合作，沒有病理學家的深度參與不可能有真正實用的病理人工智能產品出現。

　　從臨床診斷準確度來看，有專家認為目前人工智能醫療沒有好的觀察整體，一張切片，第一遍看時判斷為惡性，到高倍鏡下看局部變成了良性，但最終結論確是惡性的，因為醫生判斷不是基于細胞，而是生物細胞行為。病理科醫生重點要看是低倍鏡，因為低倍鏡可以看全貌。

　　從病理數據來看，一方面是目前存在數據孤島現象，數據被封閉在醫院，難以被病理人工智能開發企業獲取；另一方面，深度學習算法需要以大量的數據為基礎，深度學習要完成一個有效的學習目標，起碼需要十萬級別的訓練量，需要巨大的病理數據作為支撐。（眾成醫械研究院）