人工智能PK人类病理医生，谁更强悍？

    临床实践中，医生的水平主要依赖于个人经验与不断的学习。经验不足往往限制了低年资医生的决策水平，而学习时间不足是高年资医生面临的主要问题，这都会影响临床决策的规范性和准确性。有研究表明，如果一名医生紧跟医学进展，需要每个工作日学习29小时，而这些学习数据中，有高达80%为非结构化数据。

    我国是癌症大国，国家癌症登记中心报告，2014年全国癌症新发病例数为380.4万例，占全球的20%以上，死亡病例数为229.6万例。癌症的确诊、分型分期和个性化的治疗方案很大程度上依赖病理结果。

    病理诊断是指应用病理学的理论技术，对病变组织、细胞直接进行形态学观察分析做出的疾病诊断，是确诊恶性肿瘤的“金标准”或“最终诊断”，是完全确立诊断并实施损毁性治疗的根本依据，如大范围的手术和放化疗等。虽然病理诊断对疾病的定性，尤其是恶性疾病，是至关重要的，但我国的病理医生却面临着严峻的困难：

    ① 临床需要病理医生“快、准、高”地进行肿瘤诊断及分期分型，而且随着医药和技术的飞速发展，对基本病理学和分子病理诊断提出越来越高的要求，病理诊断的规范化程度不能满足目前的需求。

    ② 全国职业病理医生不足万人，面临至少十万以上的人才缺口。病理诊断的价格和医生的价值没有充分对等，严重制约行业发展。

    ③ 肿瘤病理诊断的准确性依赖病理医生的经验，需要其有着扎实全面的病理知识和实践经验，主观评估重复性差，切片质量参差不齐。

    智能决策系统就是能够结合人工智能的学习分析能力及医生专家的经验，从而得到更加准确的决策方案。越来越多的研究机构尝试将人工智能技术与病理诊断进行结合，进而产生病理人工智能这一新的研究领域。病理人工智能的目的是采用人工智能技术辅助甚至代替病理医生进行病理诊断，从而解决病理医生不足以及偏远落后地区诊断水平较低的问题。智能病理的发展应用不但能减轻病理医师负担，在一定程度上也可以弥补病理科医生主观分析的不足，提升病理的定性和定量判断水平，提高病理诊断准确度，还能为病人提供个性化的治疗意见和疾病预后判断，推动精准病理的发展。

    人工智能是一门综合计算机科学、生理学、哲学的交叉学科。“人工智能”一词最初是在1956年美国计算机协会组织的达特莫斯学会上提出的。2017年，我国国务院也将人工智能列为发展重点规划，出台了《人工智能辅助诊断技术管理规范》。

    在医学领域，智能病理、智能影像的大力发展，可以极大地提高肿瘤的精准诊断与治疗。深度学习是人脑的一种抽象模型，使用人工神经元作为基础单元，可以构建形成深度神经网络。卷积神经网络（Convolutional Neural Network，CNN）作为深度神经网络的一种类型，在图像识别领域得到了深入研究，其模型错误率已降至2.251%，在2017年Image Net大规模视觉识别挑战赛中超越了人类。

    病理AI属于AI+医疗领域的医学影像诊断细分领域，应用于疾病的诊疗环节，主要适用的技术包括数字化成像、图像识别、人工智能算法等。病理AI开发过程主要包括有效数据的采集积累，算法开发和模型训练，以及医院、第三方检验相关场景的应用及数据迭代。

    实现病理AI诊断的关键点在于标准化的制片、数字化的处理、足量结构化和非结构化数据对算法模型的训练、AI算法假阴性率的控制等。首先，数字病理技术是病理AI的基础，其核心在于运用全玻片数字扫描技术（Whole slide imaging, WSI），对众多病理切片进行全信息、全方位扫描，使物质化的玻片变为数字化的病理图像。

    其次，海量标注的数据构建和训练模型，包括：图像特征提取、检测分析等步骤（如图1）。一旦病理AI模型成功构建，病理医生就可以应用AI病理辅诊系统进行病理AI诊断，流程包括：标准化切片的制作、切片数字化扫描、AI算法读片、AI提示阳性切片人工复核等环节（如图1）。

    目前典型的应用场景是DNA倍体检测。人体正常细胞为2倍体，分裂细胞处于2~4倍体状态，而肿瘤细胞会出现4倍体以上的异常DNA倍体。通过对异常DNA倍体细胞的检测，就可以知道样本是否存在突变的肿瘤细胞，在癌症的早期诊断中有较好的应用，能够有效提升诊断效率，提供标准化、数量化的检验指标。

    此外，2017年3月，谷歌大脑（Google Brain）、谷歌公司与Verily生命科学的研究团队应用AI技术分析了130张乳腺癌病理切片，并与病理学家的诊断结果进行了对比。结果显示，AI模型的准确率达到88.5%，超过病理学家的73.3%，且花费的时间更少。在肺癌病理诊断分类上，也有研究者开发出一种利用深度卷积神经网络对不同类型的肺癌（腺癌、鳞状细胞癌、小细胞癌）进行自动分类的模型，准确率超过70%。另外，通过病理薄层细胞学检测或HPV检测进行宫颈癌筛查是当前病理AI最为广泛的应用场景。

    一旦病理AI跨入医疗领域进行临床实践，就要面临众多法律条文和医疗法规。首先，病理AI在进行诊断时，其法律主体是病理医生还是计算机程序？其次，当病理AI的诊断出现失误时，责任应该由病理医生负责，还是AI诊断服务提供商承担？再次，当病理AI逐步向强人工智能进化的过程中，其诊断结果与人类病理医生不一致时，最终的判读由谁来裁决？最后，强人工智能病理AI进行了误诊，如何检测系统漏洞？如何判读是系统紊乱或是被攻击，还是由于罕见病例导致的误判？此外，还有网络安全和病人隐私等等诸多问题。

    虽然本质上，人工智能是对人类智能思维的模拟，但两者在思维模式、创造能力及社会属性上都有着很大的不同。

    病理AI上游企业以安必平、鸿琪科技、福怡股份为代表，主要提供病理检测试剂及病理智能诊断标准化前处理硬件设备等。中游为病理专家和智能算法软件开发企业，如迪英加、视见科技、图玛深维等，在病理、影像、放疗诊疗领域具备成熟医学影像分析软件平台，拥有相关核心算法与技术实力。医院、疾控中心、独立实验室以及金域医学、华银健康等第三方检测平台等构成了病理AI行业下游的应用终端，通过提供海量临床病理数据与产业链上游企业密切合作，推进病理诊断的信息化、自动化和智能化。其中，临床病理大数据平台以及AI算法开发是病理AI企业抢占市场的核心竞争力。

    2018年阿里健康牵头，兰丁高科、图玛深维等12家医疗健康AI企业共同建立面向医疗AI行业的第三方人工智能开放平台。此外，兰丁高科及麦克奥迪通过全方位打造从硬件设备、全自动智能化诊断筛查系统到第三方病理诊断中心，实现了一站式病理诊断服务的全覆盖。

    兰丁高科依托其自主研发的病理诊断设备、病理AI系统、病理专家团队、第三方实验室网点，完成完整的商业闭环，公司于2018年实现了6个月内完成37万例“互联网+人工智能”宫颈癌筛查项目。另外，兰丁的产品“DNA细胞自动检测分析仪”和“全自动数字细胞病理检测系统”，已经得到了CFDA、FDA、CE认证，在全国300多家医院应用于多种疾病的筛查。据测试，这种电脑阅片方式的工作效率约是人工阅片的20倍，85%的准确率也远远高于不确定性强的人工诊断。

    麦迪医疗是麦克奥迪全资子公司，主营产品及业务包括病理切片数字化扫描与应用系统、数字病理远程专家诊断、细胞DNA定量分析系统及相关诊断耗材的技术支持与医疗诊断服务。

    目前，人工智能还处于低人工智能阶段，还需要病理医生用海量标记好的病理图像训练模型。同时，构建好的模型也需要大规模多中心的临床试验进行验证。行业的主要切入口在于通过对常见疾病的辅助诊断来降低病理医生的重复性劳动，提升病理诊断效率。这一模式的关键在于控制病理AI的假阴性率，防止出现误判导致的漏诊。另外，有效数据的积累是现阶段病理AI算法开发的重中之重。

    总之，病理AI距临床应用还有很远的距离，也还有很多棘手的技术难点需要解决。

    第一，国内大部分医疗数据存储于医院以及第三方检验机构，数据中心建立尚不完善，共享程度尚低，共享机制和规范缺乏；

    第二，不同检验机构因设备、软件的差异，数据标准化程度不一；

    第三，AI诊断结果仍需病理医生审核，并结合其他临床资料进行综合确诊；

    第四，病理切片染色的密度、切片的平整度、异物杂质的引入以及制片时组织样本的损坏程度等，均会影响病理切片的质量；

    第五，病理切片图像采集过程中，压缩图像时引入的变形、噪声以及一些切片扫描仪固有的特性，都将影响最终的电子切片图像质量；

    第六，现有的病理诊断模型一般针对特定的某种疾病，病理AI模型的通用性差。这些因素都对图像分析算法造成了阻碍，为人工智能算法的应用带来了重重困难，也是目前众多研究者重点解决的问题和方向。