病理人工智能是通過人工智能算法，對數字化病理切片進行診斷的一種技術。數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，精準醫療進入市場成長期，腫瘤精準診斷行業發展空間較大。只有進行精準診斷，才能實現精準醫療。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，因此高質量、精準的病理診斷方法至關重要。傳統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療成為可能。

　　腫瘤預后管理也需要病理人工智能的支持。據調查，我國癌癥患者5年存活率遠低于發達國家和地區，病理診斷預后效果不夠理想。目前，大多數腫瘤分類依賴于病理醫生憑借主觀經驗對病理組織切片組織形態學進行判斷，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據支撐。

　　二、市場痛點待解

　　“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據資源積累，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，數據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據資源各自進行算法開發，限制了數據資源的互通共享。

　　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生的專業水平和診斷經驗，在一定程度上，病理學是一門經驗學科。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。

　　人工智能人才短缺。據統計，目前，我國人工智能行業從業人員不足5萬人。國內雖有部分高校已開設相關專業培養相關人才，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。

　　三、行業發展之策

　　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。

　　四、機器學習轉向深度學習

　　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。該算法對大數據樣本、復雜函數模型具有強大的處理能力，是人工智能領域熱門研究方向。

　　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生經驗性誤判導致的誤診，提高病理醫生工作效率。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生和數字病理診斷知識體系。

　　五、醫工合作模式需深入推進

　　從病理醫生的臨床角色來看，計算機輔助病理醫生診斷依然是現階段主流趨勢，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，目前的人工智能醫療技術還不夠完善，深入的醫工合作將有利于推動人工智能醫療技術進步和診斷準確度提高。從病理數據來看，深度學習要完成一個有效的學習目標，需要巨大的病理數據作為支撐，而大量病例數據被封閉在醫院，難以被病理人工智能開發企業獲取，加深醫工合作是打破“數據孤島”的途徑之一。

（眾成醫械研究院供稿）