病理人工智能是通過人工智能算法，對數(shù)字化病理切片進行診斷的一種技術。數(shù)字病理技術是病理人工智能技術的基礎，模型構建是病理人工智能技術的關鍵。

　　一、賦能精準診斷

　　目前，精準醫(yī)療進入市場成長期，腫瘤精準診斷行業(yè)發(fā)展空間較大。只有進行精準診斷，才能實現(xiàn)精準醫(yī)療。腫瘤良惡性判別、惡性腫瘤分類等診斷結果直接影響腫瘤患者臨床治療方法的選擇，因此高質(zhì)量、精準的病理診斷方法至關重要。傳統(tǒng)病理診斷難以滿足精準診斷需求，而病理人工智能提供的定量指標使得精準醫(yī)療成為可能。

　　腫瘤預后管理也需要病理人工智能的支持。據(jù)調(diào)查，我國癌癥患者5年存活率遠低于發(fā)達國家和地區(qū)，病理診斷預后效果不夠理想。目前，大多數(shù)腫瘤分類依賴于病理醫(yī)生憑借主觀經(jīng)驗對病理組織切片組織形態(tài)學進行判斷，定性診斷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，可以為精準的預后評估提供數(shù)據(jù)支撐。

　　二、市場痛點待解

　　“數(shù)據(jù)孤島”限制了病理人工智能的發(fā)展。人工智能開發(fā)需要大量數(shù)據(jù)作為支撐，國內(nèi)大部分醫(yī)療數(shù)據(jù)存儲于醫(yī)院以及第三方檢驗機構，“數(shù)據(jù)孤島”現(xiàn)象導致用于人工智能診斷學習的病理切片和病理資料偏少。

　　第三方檢驗機構缺乏交流合作機制。實際上，第三方檢驗機構具有較好的數(shù)據(jù)資源積累，但彼此之間缺少合作交流機制，不同檢驗機構之間存在設備、軟件差異，數(shù)據(jù)標準化程度也各不相同，因此，各檢驗機構往往基于自身掌握的數(shù)據(jù)資源各自進行算法開發(fā)，限制了數(shù)據(jù)資源的互通共享。

　　病理醫(yī)生的經(jīng)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5000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特征。在臨床上，大部分疾病診斷依賴于病理醫(yī)生的專業(yè)水平和診斷經(jīng)驗，在一定程度上，病理學是一門經(jīng)驗學科。如何把這種難以量化的經(jīng)驗傳授給機器，是病理人工智能要攻克的難關。

　　人工智能人才短缺。據(jù)統(tǒng)計，目前，我國人工智能行業(yè)從業(yè)人員不足5萬人。國內(nèi)雖有部分高校已開設相關專業(yè)培養(yǎng)相關人才，但仍舊難以滿足正在發(fā)展勢頭上的病理人工智能領域需求。

　　三、行業(yè)發(fā)展之策

　　技術（算法）與商業(yè)模式（病理醫(yī)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(yè)進步的兩個主要因素。

　　四、機器學習轉(zhuǎn)向深度學習

　　深度學習是一種基于人工神經(jīng)網(wǎng)絡、對數(shù)據(jù)進行特征學習的算法的泛稱。該算法對大數(shù)據(jù)樣本、復雜函數(shù)模型具有強大的處理能力，是人工智能領域熱門研究方向。

　　近年來，高質(zhì)量數(shù)字病理切片的大量積累為病理切片的分析提供了大數(shù)據(jù)背景，深度學習算法對大數(shù)據(jù)樣本的分析能力強于機器算法，在病理切片分析中具有巨大潛力。以深度學習為代表的人工智能可以在一定程度上減少病理醫(yī)生經(jīng)驗性誤判導致的誤診，提高病理醫(yī)生工作效率。結合強大的客觀分析能力，深度學習技術還能發(fā)現(xiàn)人眼不易察覺的細節(jié)，學習到病理切片分子層面上的特征，從而不斷完善病理醫(yī)生和數(shù)字病理診斷知識體系。

　　五、醫(yī)工合作模式需深入推進

　　從病理醫(yī)生的臨床角色來看，計算機輔助病理醫(yī)生診斷依然是現(xiàn)階段主流趨勢，制造出貼合臨床使用需求的病理人工智能產(chǎn)品，離不開病理學家的深度參與。從臨床診斷準確度來看，目前的人工智能醫(yī)療技術還不夠完善，深入的醫(yī)工合作將有利于推動人工智能醫(yī)療技術進步和診斷準確度提高。從病理數(shù)據(jù)來看，深度學習要完成一個有效的學習目標，需要巨大的病理數(shù)據(jù)作為支撐，而大量病例數(shù)據(jù)被封閉在醫(yī)院，難以被病理人工智能開發(fā)企業(yè)獲取，加深醫(yī)工合作是打破“數(shù)據(jù)孤島”的途徑之一。

（眾成醫(yī)械研究院供稿）