病理人工智能是通过人工智能算法，对数字化病理切片进行诊断的一种技术。数字病理技术是病理人工智能技术的基础，模型构建是病理人工智能技术的关键。

赋能精准诊断

  目前，精准医疗进入市场成长期，肿瘤精准诊断行业发展空间较大。只有进行精准诊断，才能实现精准医疗。肿瘤良恶性判别、恶性肿瘤分类等诊断结果直接影响肿瘤患者临床治疗方法的选择，因此高质量、精准的病理诊断方法至关重要。传统病理诊断难以满足精准诊断需求，而病理人工智能提供的定量指标使得精准医疗成为可能。

  肿瘤预后管理也需要病理人工智能的支持。据调查，我国癌症患者5年存活率远低于发达国家和地区，病理诊断预后效果不够理想。目前，大多数肿瘤分类依赖于病理医生凭借主观经验对病理组织切片组织形态学进行判断，定性诊断不足以提供精确的预后评估。病理人工智能提供的定量指标，可以为精准的预后评估提供数据支撑。

市场痛点待解

  “数据孤岛"限制了病理人工智能的发展。人工智能开发需要大量数据作为支撑，国内大部分医疗数据存储于医院以及第三方检验机构，“数据孤岛"现象导致用于人工智能诊断学习的病理切片和病理资料偏少。

  第三方检验机构缺乏交流合作机制。实际上，第三方检验机构具有较好的数据资源积累，但彼此之间缺少合作交流机制，不同检验机构之间存在设备、软件差异，数据标准化程度也各不相同，因此，各检验机构往往基于自身掌握的数据资源各自进行算法开发，限制了数据资源的互通共享。

  病理医生的经验难以量化，机器学习方法需要跟进。从病理学角度来看，全身疾病的种类多达5000余种，每种疾病都有不同的诊断标准，每个标准又有很多对应特征。在临床上，大部分疾病诊断依赖于病理医生的专业水平和诊断经验，在一定程度上，病理学是一门经验学科。如何把这种难以量化的经验传授给机器，是病理人工智能要攻克的难关。

  人工智能人才短缺。据统计，目前，我国人工智能行业从业人员不足5万人。国内虽有部分高校已开设相关专业培养相关人才，但仍旧难以满足正在发展势头上的病理人工智能领域需求。

行业发展之策

  技术（算法）与商业模式（病理医生与人工智能专家之间的合作方式）是推动病理人工智能行业进步的两个主要因素。

  机器学习转向深度学习

  深度学习是一种基于人工神经网络、对数据进行特征学习的算法的泛称。该算法对大数据样本、复杂函数模型具有强大的处理能力，是人工智能领域热门研究方向。

  近年来，高质量数字病理切片的大量积累为病理切片的分析提供了大数据背景，深度学习算法对大数据样本的分析能力强于机器算法，在病理切片分析中具有巨大潜力。以深度学习为代表的人工智能可以在一定程度上减少病理医生经验性误判导致的误诊，提高病理医生工作效率。结合强大的客观分析能力，深度学习技术还能发现人眼不易察觉的细节，学习到病理切片分子层面上的特征，从而不断完善病理医生和数字病理诊断知识体系。

医工合作模式需深入推进

  从病理医生的临床角色来看，计算机辅助病理医生诊断依然是现阶段主流趋势，制造出贴合临床使用需求的病理人工智能产品，离不开病理学家的深度参与。从临床诊断准确度来看，目前的人工智能医疗技术还不够完善，深入的医工合作将有利于推动人工智能医疗技术进步和诊断准确度提高。从病理数据来看，深度学习要完成一个有效的学习目标，需要巨大的病理数据作为支撑，而大量病例数据被封闭在医院，难以被病理人工智能开发企业获取，加深医工合作是打破“数据孤岛"的途径之一。

（众成医械研究院供稿）