近日，美国数字病理学创业公司通过人工智能诊断癌症，被FDA授予“突破性设备”称号。这家成立不到2年的公司接管了斯隆-凯特林癌症中心(MSKCC)独家授权的400多万份包含病理信息和电子病理的文件。这些数据给了它改变世界的可能性。显然，它抓住了这个机会。
另一方面，在国内，医学影像作为计算机视觉的子应用，已经广泛应用于放射学领域，针对放射学的人工智能影像公司如易图医疗、畅想科技、神瑞医疗、体素科技等已经走出国门。
作为精准医疗的支撑，AI病理市场潜力巨大，规模高达数百亿人民币。而专注于此的初创公司屈指可数，最高融资轮数达到A轮的也只有少数公司，与放射科医学影像的发展相差甚远。
为什么看似很甜的水果不摘？我们不妨从技术和产业的角度来分析一下，看看AI病理到底是怎样的一片土地。
AI病理是否能复制放射的荣光？
病理科被现代医学之父威廉奥斯勒称为医学的基础。可以说，病理诊断的准确性直接影响着患者的健康和命运。
数字技术的出现，使医生能够利用数字技术对病理图像进行采集、拼接、压缩和存储，保留高质量的图像信息，并结合数据库技术，形成数字化病理切片系统。该方法打破了传统病理学在存储、保真和检索方面的局限，通过浏览和分析图像来完成病理分析、疾病诊断、远程传输和病理教学等任务。
人工智能是基于数字技术的升级，在病理学上的应用包括基于数字图像的细胞学筛查、形态学定量分析、组织病理学诊断和辅助预后判断。其中蕴含的价值自然不言而喻，只是病理诊断，其中市场包罗万象。以胃癌为例。每年有2000多万人要去病理科做胃镜检查。初步估计市场规模高达100亿人民币。
此外，病理切片还有更深层次的信息有待发现，新药研发、遗传学乃至新的第三方服务模式正在改变现有的病理科室。
但是这些病理性AI企业的发展速度是无法和影像性AI企业相比的。虽然医院每年都会产生大量的病理数据，但是这些数据的质量参差不齐，在结构和维度上都有很大的差异。通过这些数据喂养算法，我们要经历脱敏、清洗等过程，难度可想而知。
简单来说，没有一家企业能够复制成功的原因是，目前国内还没有一家企业能够拥有像MSKCC这样大规模、标准的病理数据。
不过，这个问题正在逐步得到解决。第三方医学检测中心和医院的研究需求，正在推动数据以合理的形式流入人工智能。各级从业者越来越重视医疗数据的结构。与此同时，更多子领域的成果越来越依赖病理信息的处理，相关科研开发对人工智能的需求激增，并慢慢转化为产品。
精准医学的发展离不开人工智能
在科研项目中，介入后的肿瘤细胞、动物样本和人体样本的形态会发生相应的变化，需要以特殊的方式显示和计数。
以往形态学观察主要集中在肉眼和显微镜上。必要时进行免疫组织化学或免疫荧光检测辅助判断，然后拍照进行人工计数或软件统计。上述方法主观性强，易出现假阳性，重复性差，急需一种新的方法来评价形态学变化。
由ISBI举办的研究员挑战赛评估了深度学习算法在检测乳腺癌患者淋巴结转移方面的潜力。结果表明，深度学习算法诊断的曲线下面积的AUC为0.556~0.994，病理学家的AUC为0.724，其中深度学习算法的效果最好
深度学习的应用不仅限于此。魏培莲、潘军、于的合著《人工智能技术在组织和细胞形态学评估中的应用》详细介绍了现有研究成果下的应用场景。在行业内，许多企业基于这些研究开始了基因开发和药物研发。
1.机体组织样本中内部特征的量化分析与临床评价
肿瘤间质比(TSR)是指肿瘤组织中肿瘤细胞与间质成分的比值，主要通过术后病理切片评估获得。
在结肠癌、非小细胞肺癌、乳腺癌、食管鳞状细胞癌、鼻咽癌、宫颈癌、肝细胞癌等实体瘤中。TSR是影响肿瘤患者预后的独立危险因素。以往医生主要通过显微镜观察肉眼判断TSR，大多以50%作为间质丰缺的定义值。
这个评价标准存在很多问题。第一，医生的经验决定了TSR的准确性；第二，临界值50%不一定准确。人工智能技术的应用可以准确量化TSR。如果肿瘤细胞判断准确，TSR可以精确到个位数。
王菲等人的研究团队使用人工智能技术来解读肿瘤病理切片的TSR。可以看出，肉眼判读的TSR为30%~50%，而人工智能技术判读的TSR为27.3%，这表明人工智能技术在识别肿瘤样本内部特征方面具有明显的优势。
肿瘤浸润淋巴细胞(TIL)是指从肿瘤组织中分离出来的浸润性淋巴细胞，富含肿瘤特异性细胞毒T淋巴细胞和自然杀伤细胞。肿瘤中TIL的识别和评估对判断预后和指导治疗具有重要价值。AI技术可以在其中发挥重要作用，国内企业的深度思考是以设计人工智能产品为突破口。
对于如何定量TIL并分析其空间分布，传统的基于H-E染色或免疫组织化学染色的分析方法主观性强，费时费力，准确性差。而AI可以在高校利用卷积网络精确计算淋巴细胞的数量和空间分布。Saltz等人通过使用肿瘤基因组图谱的TCGA数据库，提出了基于13种TCGA肿瘤类型的H-E图像的TIL作图。这些TIL图是通过计算染色得到的，训练好的卷积神经网络用于图像分类，揭示了TIL模式的局部空间结构，并与整体存活时间相关。
第三个定性分析应用是使用AI识别神经侵犯的淋巴结转移。目前神经侵犯的评价方法仍是显微镜下肉眼观察，容易漏诊，不能反映全断面的神经侵犯状态。王菲等人的研究团队利用深度学习技术，分别对肝门部胆管癌的肿瘤细胞和神经组织进行学习和识别，展示了肿瘤细胞侵入神经组织的全过程，包括肿瘤细胞首先向神经组织聚集，然后侵入神经鞘，然后侵蚀神经纤维，最后沿神经转移。
如今，韩国公司已经利用这项技术创造了针对乳腺癌的AI产品。
2.细胞和动物组织样本的量化分析与药效关系
细胞和动物模型将用于基础研究和临床疗效评价，药物或基因干预对机体和肿瘤的治疗作用和不良反应需要用形态学方法进行论证和评价。传统的基于H-E染色或特殊染色的显微镜下目视观察和判读具有局限性。
通过深度学习技术学习细胞和动物病理样本的形态学表现，如坏死、出血、淋巴细胞反应、纤维增生、肿瘤形成和数量、血管生成等。这些表现具有特征性和规律性，因此利用人工智能技术评价药物疗效是可行的。前期，我们的研究团队构建了一个胆管癌的动物模型，用不同的药物进行干预，然后利用人工智能技术学习疾病的特征。结果表明，人工智能技术可以清晰地显示疾病的发生过程和临床疗效。
3.细胞识别与分选
细胞学是基础和临床转化研究的基石，但很少有研究关注细胞的形态变化。伦敦癌症研究所的克里斯巴卡尔教授和朱莉娅肆罗博士利用珀金埃尔默公司的Opera高含量成像分析系统获取图像，采用类似神经网络研究的方法，分析了数千个个体乳腺癌细胞在不同治疗条件下的形态和生理特征，检测了线粒体群体的变化和趋势。该研究将在表型筛选和未知药物作用机制的研究中发挥作用。
Ghost cell analyzer是一种新的细胞识别和分选系统，它结合了一种新的成像技术和人工智能技术来识别和分选细胞。Ghost cell analyzer以每秒超过10，000个细胞的速率识别细胞，并以每秒数千个细胞的速率对细胞进行分类。
此外，时间波形和随机模式强度分布的结合使得在计算机上重建细胞形态学成为可能，机器学习可以直接应用于压缩波形而无需图像重建，从而实现高效的基于图像的无形态学细胞检测。该方法将用于识别和分选患者血液中的循环肿瘤细胞，加速药物发现并提高基于细胞的治疗的疗效。
4.特殊染色结果的量化分析和临床治疗与预后
在评估药物或基因干预的效果时，除了H-E染色外，还可以使用特殊染色来辅助鉴别，包括免疫荧光技术和免疫组织化学技术。其中，免疫组织化学技术因其经济、方便、快速、高通量而被广泛应用。然而，由于技术水平的差异和评价体系的限制，其结果的标准较差。
由于免疫组织化学染色图像是二维图像，特征明显，人工智能技术非常适合解释和评估结果的一致性。染色条件自动分级。
场景：病理诊断
是诊断人工智能在病理学领域的直观应用。在普通人的刻板印象中，医生的职责是给患者提供诊断建议，而人工智能则是代替医生。
这种印象显然存在逻辑问题，但作为一种数据处理手段，经过适当训练的AI确实可以全方位检查病理数据，以辅助医生做出判断。
事实上，国内从事图像数据分析的AI公司占了“AI病理学”的半壁江山。动脉网(微信号：vcbeat)记者采访了国内外一些从事病理影像诊断的公司，将其特点总结如下。
1.透彻影像
彻底影像成立于2017年，是一家专注于病理学的人工智能企业。其产品针对肺、胃、肠、淋巴结、前列腺、乳腺六大病理场景。
thorough imaging首席技术官王书豪表示：“场景的选择是出于市场考虑。这还是一个蓝海市场，我们希望一开始就惠及更多患者，比如胃癌。”
我国每年约有2000万患者需要活检，其中大部分患者需要两次或两次以上的活检。这么大的筛查量，国内病理科的资源实在是无能为力。同时在肠胃方向，医生的重复劳动率很高。在许多情况下，患者可能只是患有肠炎，但仍然接受肠癌的靶向治疗，这导致了许多不必要的活检，而人工智能技术可以快速识别这一问题。
基于2017年解放军总医院的胃部病理切片检测报告，现在彻底影像AI对胃部恶性肿瘤识别的敏感性已经达到100%，特异性达到90%。目前，筛选精度已经达到相当高的标准。
然后，公司将着手对筛查出的癌症进行准确分类，并对胃癌的每一个分类进行确认，从而给出更准确的诊断建议。
2.深思考
自成立以来，深思考人工智能()已为全国30多家知名三甲医院和检验机构提供宫颈癌筛查服务。到目前为止，深度思考已经完成了近10万张宫颈切片的回顾性分析。
在研究过程中，TCT辅助筛查产品对癌前病变的敏感度从人工读片的65%提高到近100%，阴性预测值提高到约
CEO杨志明表示：“我们开放宫颈细胞的数据集Helerv，采用MS-CNN的深度学习细胞分类算法。在同等评价条件下，各项指标均超过美国国立卫生研究院NIH分类结果(灵敏度超过NIH结果1-1.5%)，在该数据集上达到世界最好结果。”
在未来的商业化中，深思考可以按照现有的TCT辅助筛查收费清单进行收费。根据国家最新发布的医疗价格项目，宫颈细胞学计算机辅助诊断价格为100元/次-160元/次。按照目前全国每年约1.1亿妇女进行宫颈癌筛查，预计未来平均每年可产生100-200亿人民币的经济效益。
3.迪英加
与其他病理企业相比，迪因加的“AI病理”产品可以覆盖尽可能多的癌症患者。
DiInga创始人杨林告诉动脉网：“中国每年新增癌症患者近500万，每年细胞筛查量近1亿，这是一个非常庞大的数字。并且我们的产品覆盖了所有病理科使用的所有大类，各种病变的所有类型至少50%以上，其广度可以达到世界第一。”
在产品设计上，以D-Path AI人工智能病理辅助诊断系统为核心，在细胞病理学方面开发了20多个智能分析模块，可以辅助诊断胃癌、肺癌、膀胱癌、乳腺癌、肾癌、前列腺癌等癌症类型。在分子病理学中，DiInga可以使用人工智能来解读探针流体样本、血细胞和宫颈切片。
如今，DiInga已经使用人工智能阅读了近一百万份宫颈切片，其他类型的病理也在迅速增加。并在近日举行的人工智能卓越挑战赛中获得细胞病理学(宫颈涂片)、组织病理学(冰冻甲状腺)、免疫组织化学定量分析三项技术冠军。
DiInga的产品来源于DiInga创始人和DiInga研究院在AI-数字病理学领域发表的100多篇SCI文章，其中《Pathologist-level Interpretable Whole-slide Cancer Diagnosis with Deep Learning》被《自然医学》(影响因子30)收录。
在商业化方面，DiInga将采用模块化销售的模式，即医院病理科可以选择最合适的模块进行采购，并可以在未来对模块进行扩展。
4.Lunit
来自韩国的人工智能公司Lunit开发了一整套针对乳腺癌的人工智能产品。它的胸部x光摄影和乳房x光摄影用于疾病的初步检测和筛查。对他的乳腺组织病理切片进行分级是最终医学诊断的关键一步。
尽管病理分级在诊断过程中起着重要的作用，但该领域仍然缺乏可量化的客观标准和详细的解释过程。数字病理学的出现为解决这一问题带来了希望。
Lunit在数字化病理学研究上投入了大量的资金和人力，以期客观地解释组织样本的不同形态特征，在提高组织病理学诊断的准确性、效率和一致性方面有所创新。
2017年，Lunit推出了人工智能算法，可以实现乳腺癌淋巴结转移的自动检测和分期评估。这是人类第一次尝试将特定的病理任务自始至终自动化。
区域淋巴结的病理诊断(pN-分期：即判断乳腺癌是否已经扩散到淋巴结)需要大量的图像数据，图像的最高分辨率达到20万 10万像素，病理学家需要花费大量的时间仔细检查多幅图像，最终正确确定pN-分期。
Lunit利用其深度学习技术开发了一种高度准确的pN阶段预测算法。该算法将多个淋巴结组织切片的肿瘤转移检测和分类整合到一个临床结果中，并使用来自Camelyon17数据集的淋巴结组织学图像建立pN-分期预测算法。该算法的性能水平超过了目前世界上大多数领先的技术，它可能会显著提高病理学家的效率和诊断准确性。
场景：植入器械的人工智能
既然可以设计一个对病理图像进行深度分析的软件，为什么不在图像采集的时候直接进行优化呢？
现在一些传统仪器公司也在尝试将过去死板的仪器智能化，用人工智能赋予它们更精细的图像和更快的分析效率。
1.福怡股份
付逸有限公司是一家在病理学领域深耕15年的医疗器械公司。其产品涵盖病理图像采集、病理数据分析、远程病理诊断等服务，可为病理科提供整体智能诊断解决方案。
所开发的数字化病理智能诊断系统可完成图像的高清数字化转换，最高可达400幅图像的通量，并实现24小时无人值守自动扫描。病理切片的高速扫描、无缝拼接，改变了传统的工作模式，病理标本的数字化、可视化、可保存，为数字化、信息化奠定了良好的基础。
在AI技术的辅助下，付逸有限公司的数字化病理远程诊断系统平台已经积累了全国公立医院近2000名在职病理医师。各省顶尖病理医师为“远程病理标准实验室”进行诊断，各省选派5~10名副高级以上专家，保证诊断结果在本地区具有一定的权威性，防止漏诊，确保诊断结果真实可靠。
2.智影医疗
近日，智赢医疗研发的一款基于痰菌显微成像的AI显微镜3354结核病自动诊断系统将投入商用。AI显微镜应用人工智能深度学习算法，可在3分钟内快速扫描整片切片并计数结核杆菌，诊断结核病。
传统的痰涂片检测的医学图像处理方法是算法按照既定的规则对图像进行处理，规则不能适应所有个体，因此检测准确率不高。而人工智能图像处理经过大数据的训练和深入研究开发，可以大大提高检测精度。
智赢医疗研发的AI显微镜集成了人工智能图像处理和视觉处理技术，提供痰液染色涂片自动扫描图像和智能检测分析。当医生轻松输入指令时，AI可以自动识别检测痰染色涂片，然后定量计算并生成报告，并将检测结果实时显示给客户端，及时提醒医生，不打扰其工作流程，可以提高医生的诊断效率和准确率。
场景：病理与新药研发
当我们得到了基本的病理数据后，是否能看到诊断之外更深层次的信息？有意向的企业都在尝试。
在人工智能出现之前，病理切片的定量分析几乎是不可能完成的任务，病变的范围只能靠医生的感觉粗略估计。但人工智能的出现，使得精确计数组织细胞成为可能。
在这种情况下，研究人员可以快速、准确地获得一段时间内一个切片中病变细胞的数量、程度、数目和变化，并可以方便地观察到临床实验中的新药对病变产生了怎样的影响。
顺着这个逻辑，我们或许可以用AI来观察动物服药后组织和细胞的变化，从而更准确地指导药物研发。
成都的知识视界正在做这样一件事，就是为CRO提供数字病理图像的定量可视化和定量分析，辅助药物的临床研究。在与罗氏诊断公司的合作中，知识视界的成果得到了罗氏的肯定。
但是，这个想法的由来并不是为了研发新的AI药物。其创始人费翔在接受采访时表示：“我们致力于打造一个未编码的病理AI应用研发云平台，解决病理AI应用研发难度大、硬件投入大、通信和数据标注成本高等问题。使病理学家无需根据实际需要编码，即可实现病理AI应用的研究工作。”
国外的Reveal Biosciences和PathAI也在做类似的事情。最近，Reveal Biosciences获得了由英特尔领投的A轮融资。Reveal Biosciences创始人兼首席执行官克莱尔韦斯顿博士(Dr Claire Weston)表示，“截至目前，Reveal Biosciences的ImageDx技术已经为300多家医疗机构提供了信息服务。我们特定的数据集成方法可以生成病理学人工智能算法
场景：NLP与基因云
除了分析病理信息本身，该研究还可以将相关数据与基因库相关联，并在实验过程中同时监测受试者的表型和基因型数据。
随着免疫治疗的发展，PD-1/PD-L1和CAR-T治疗中新的肿瘤免疫标志物的空间定位和定量也对病理诊断提出了更高的要求，这也需要新的技术创新。
基于医院病理科的传统信息平台，医生很难实现大规模的病理诊断。主要原因是文字报告、数字影像等病例信息难以人工实现大数据的追溯性科研搜索、分析和管理，自然阻碍了病理诊断的标准化和标准演进。
在此背景下，精准医疗大数据公司Zenawith绘制了病理知识图谱，研发了中文病理报告自然语言处理、肿瘤基因组生物信息分析、病理图像人工智能等多项核心技术。这将为研究计划提供病理文本、图像和基因组数据分析功能，同时也将为参与项目的其他成员提供标准化的工具来分析自己的数据。
Zenawith通过将病理HE、IHC等染色图像信息与基因组学中的基因组和表达组信息连接起来，可以更高精度、更快效率地挖掘生物标志物，助力药物研发。
场景：第三方医学检查中心
第三方医疗诊断机构是国家实现分级诊疗、推进公立医院改革的重要手段，也是社会资本进入医疗行业的重要落地形式。人工智能技术的进入，有望提升第三方医学检测中心的医疗实力。越来越多的企业进入这一领域。
云病理的出现加速了第三方影像中心的发展，使得远程病理诊断更加便捷，也使得数字病理逐渐从“概念性”的远程医疗过渡到实际应用，形成了云病理平台。
现在国内很多大企业都借助云平台向国内外医学检测中心输出AI病理诊断技术。
1.兰丁医疗
传统的宫颈癌细胞学筛查是由医学技术人员根据经验在显微镜下进行诊断。按照国际标准，宫颈癌细胞学筛查医技人员日阅片量应小于100例；人不是机器，总是无法避免因疲劳或体验不同而导致的人为诊断错误。蓝鼎医疗研发的AI宫颈癌诊断机器人“蓝鼎”，可以帮助医生精准发现早期宫颈癌前病变，使宫颈癌有可能成为第一个通过预防和筛查根除的恶性肿瘤。
依托这一AI技术，蓝鼎医疗在全国建立了400多个“蓝鼎标准细胞实验室”。这些实验室覆盖了省会城市三甲医院，中小城市二级医院，甚至国内农村基层计生站。
这种新的筛查模式的特点是结束了宫颈癌筛查依赖专家经验诊断的历史，以大数据提高诊断质量，以现代技术降低成本，从而提高大规模宫颈癌的筛查效率和癌前病变的阳性检出率，对降低宫颈癌的发病率和死亡率将起到重要作用。此外，它还为解决全世界发展中国家基层缺乏癌症筛查专业人员的问题提供了切实可行的解决方案。目前，落地完成的宫颈癌筛查总量已超过200万例。
兰丁医疗正一步步走向世界。现在，兰亭宫颈癌筛查人工智能云诊断平台已于4月1日向全球开放，世界各地尤其是“一带一路”沿线国家的女性有望共享中国人工智能云诊断平台提供的优质低价宫颈癌筛查服务。
2.衡道病理
道病理采取“专职医疗技术团队一线会诊专家”的多层次模式
依托AI专业团队和技术储备，恒道病理积极与各知名三甲医院开展科研合作，推动病理人工智能(Path AI)稳步发展。通过使用PathHub，构建人工智能时代整个病理行业的基础设施，为病理医生提供智能辅助工具，提高诊断效率，实现病理大数据和技术成果共享，助力行业升级。
3.平安健康（检测）中心
2018年10月，平安租赁大放异彩，在300亿元的支持下，1000家第三方检测中心相继涌现。平安健康(检测)中心的优势在于平安的整体框架。这个第三方检测中心不仅有平安好医生指导，平安的传统保险业务也为患者提供了很多可选的医疗保险和商业保险服务。
现在政策到了，平安检的进驻给整个赛道带来了活力。安全体系建立后，或许国内第三方体检会形成一个全新的局面。
总结
上述上市公司多以“AI病理”为主。事实上，很多医学影像人工智能公司已经涉足病理学领域，或者建立了自己的医学实验室。从趋势上看，病理学背后的精准医学与AI的结合已经成为固定趋势。
这个诊断对于AI制药来说更是如此。新药研发完全有可能超越影像产品，成为人工智能在医疗领域商业化的第一场景。我们期待看到更多像Zenawith和Knowledge Vision这样的公司，通过病理数据的出现将基因数据联系起来，为攻克癌症等顽疾献计献策。
科学研究也在进步，深度学习可以让研究人员更准确地量化细胞参数，更直观地观察肿瘤细胞的变化。
所以，对人工智能抱有期待的人，不妨将部分注意力转向病理学，或许能发现意想不到的潜力。
注：如文章涉及动脉网记者采访的数据，受访者提供并确认。