被人工智慧技術加持的病理學診斷，將會為中國醫學界帶來怎樣的福音？

據行業專家預測，AI病理技術將填補中國4-9萬的病理醫生缺口，進而極大地解放更多醫療資源。同時也將大幅提升檢測效率和精準度，化身「醫生的醫生」，成為病理醫生們的「最強大腦」。有了AI技術，病理科醫生們再也不用坐在顯微鏡前小心翼翼地反覆查看，將切片電子化就可直接在電腦中讀取，且電腦螢幕上的切片樣本將更加清晰、明朗。

聰明的人工智慧還會輔助病理醫生進行初篩，完成一些簡單而繁重的工作，用最快速度完成人腦不擅長且易出錯的工作，保障數據的精準度。在臨床應用上，宮頸癌篩查等AI產品已率先得到了開發。

從「數字視覺挑戰賽」看病理AI的「聰明」秘訣

在病理檢測也要進入AI時代時，人們不禁會發問，病理AI到底從哪些方面進行了提升和修改？為回答大眾疑問、切準行業痛點，阿裡雲天池聯合英特爾舉辦了「數字視覺」挑戰賽-宮頸癌風險智能診斷,以賽事強化人工智慧與病理檢測的深度結合。

「數字人體視覺挑戰賽」將探索機器視覺等AI技術在宮頸癌篩查的應用前景,會大大加速人工智慧技術在病理領域的普及,提升我國醫療服務質量,推進智能醫療產業發展。

大賽選取宮頸癌的早期篩查作為突破口,目前已搜集到了一批創新性強、復用率高的算法案例,為病理AI的未來發展提供了新思路。這項比賽可以有效落實人工智慧與病理篩查深度融合的應用落地,由點到面地驅動國內人工智慧醫療產業長足發展。

本次大賽由阿裡雲計算有限公司和英特爾(中國)有限公司主辦，北京協和醫院指導。人工智慧領域巨頭英特爾為參賽選手提供硬件和技術支持。

用於比賽中的英特爾 ® 深度學習加速技術(VNNI 指令集)極大提升了本次比賽的推斷效率,將病理篩查的判斷時間從 5s 降到 0.1s。而長期關註「AI+醫療影像」前沿應用的阿裡雲一直致力於培育新業態發展，策劃本次比賽是為了深化健康大數據創新。每一個參與機構都是行業標桿，這也從另一側面說明了醫學界對數字病理領域的重視程度。

據天池大賽官方表示,本次賽事總獎金達70萬元,參賽選手不僅有望獲得豐厚的獎金,相幹賽事成果也將第一時間對接醫療產業,加快科研創新和轉化進程。

來自細胞檢測分類算法賽道和 VNNI 賽道的 20 支隊伍通過層層角逐決出了勝負。deep-thinker 團隊和 LLLLC 團隊分別獲得了算法賽道和 VNNI 賽道的冠軍。選手採用模型量化的方法後單張 ROI 區域細胞檢測僅需要 0.1s;選手比賽中所沉淀的算法可以嵌入到市面上常用的宮頸癌細胞學數字掃描設備中;預計節約醫生 10～20 分鐘的閱片時間。

此次大賽以宮頸癌為切入口,是希望通過提供大規模專業醫師標註的宮頸癌液基薄層細胞檢測數據,讓選手對宮頸癌細胞學異常鱗狀上皮細胞進行定位並對其細胞學圖片分類,以提高模型檢測的速度和精度,輔助醫生進行診斷。選擇宮頸癌早期篩查作為切入點，是因為考慮到其細胞學檢測的可操作性更適合當前的數字病理檢測水準。

此外，宮頸癌作為婦科最常見的惡性腫瘤,居我國女性死亡率排名第二，因此宮頸癌的防治非常重要。在醫療行業,醫生通常採用宮頸癌細胞學對宮頸進行篩查和接種疫苗來降低罹患宮頸癌的風險。其中宮頸細胞學閱片人員匱乏,閱片數量壓力大,引入更高效、精準的機器閱片幫助醫生做病灶位置粗篩、疾病輔助診斷已經成為潮流。

「現代科學技術的介入對於醫療工作有著很大的推進。」大賽指導單位北京協和醫院郎景和院士希望能夠通過這次大賽摸索出更便捷和準確的篩查方法,將宮頸癌的篩查和防治工作推向一個新的高度。

在總決賽期間，大賽組委會還舉辦了「2020 阿裡雲天池數字病理視覺挑戰賽和研討會」，吸引了來自第三方病理診斷中心、學術界、產業界的多位數字病理行業前來。研討會還重磅發布了《數字病理診斷排行榜》,評選出了數字病理行業產業鏈各個環節的 Top 級企業。

AI技術助力數字化病理檢測走完「最後一公里」

在我國病理檢測領域，人才缺失依然是最大的問題。培養病理醫生的周期非常長，培養出一個經驗豐富的高年資診斷醫生大約需要十年時間，且病理工作強度高，讓很多學病理的醫生都沒能堅持到最後。尤其是頂尖的三甲醫院，工作量更是無法想像：僅2017年一年，301醫院的活檢病例就已達到近9萬例，這9萬例報告每例都要經過普通醫生從大體標本取材、一線醫生閱片、二線醫生閱片到報告簽發的過程。有些疑難病例還要經過三級醫師閱片，甚至全科醫生的集體討論。因此醫生加班閱片已是常態，至少1/3的病例檢測是在加班時間完成的。

此外，病理科不像診斷科、影像科具有自動化程度低的特點，常規的病理查驗所需時間至少在 3 天以上。如果有較為疑難的病症，加做免疫組化或分子病理，所需診斷時間達 7 – 10 天。相比之下，查驗、影像科室的查驗項目大部分在當天即可完成。

當前的病理診斷主要是以手工操作為主導，所以當下的主要切口在於降低重復性工作，提升病理診斷效率。人才培養和診斷周期過長加劇了醫院病理檢測的壓力，技術應用場景還是病理AI的「最後一公里」，目前屬於薄弱環節。而AI技術的出現將有效輔佐我國病理檢測行業走好這「一公里」。

目前，病理 AI 的研究主要有三個部分，包括開發模型、建立關聯性和預後預測，可以覆蓋從基層醫院到三甲醫院的不同應用場景。人工智慧將以迅速、標準化的方式處理醫學影像，分辨出單個小區域內被標註為「腫瘤」的像素，對可疑影像進行勾勒、渲染，並給出輔助診斷建議。

雖然許多病理AI產品被應用到臨床創新實踐，但底層核心技術還沒有達到能推進這個領域成熟、成體系的地步。中華醫學會病理學分會前任主任委員、四川大學華西醫院病理科教授步宏在主題為《遠程病理與人工智慧的再思考》的遠程演講時就提出，病理AI一定要在使用中完善與成熟，要建造資訊共享平臺，用靈活的機制與運作打破病理人工智慧的研發孤島。「病理診斷需要整合各種維度的醫療資訊，病理AI的目標應該是提供多元量化指標的支持系統。」

走好病理AI的「最後一公里」，不是讓AI技術取代病理科醫生，而是提高其工作效率和準確度。沒有病理醫生參與的病理AI最後也很難獲得商業上的成功——做病理AI隻強調人工智慧是不夠的，病理是非常龐雜的學科，不能拘泥於切片掃描與標註、深度學習等技術，要把診斷專家的經驗與數字掃描分析結合起來。

在這樣的脈絡下，病理界和企業界之間要產生一種相互寬容的機制。整合用於病理診斷的醫療資訊需要過程，因此雙方的期待值都不能過高。創新企業可以貼合政策需求，巧力推進病理AI落地和產業發展，幫助病理AI走好這「最後一公里」。相信隨著臨床需求以及市場對病理重視度的提高，病理AI在不久的將來會蓬勃發展，為病理診斷帶來新的變革。（諾諾 / 數據猿）

數據猿官網原文：http://www.datayuan.cn/article/17206.htm