最近十几年来，随着图像数字化和数字存储技术的快速发展，病理学切片制作全数字化图像成为可能，阅片者可以不通过显微镜而直接在计算机上阅读数字病理切片。在深度学习已经开始应用在医学影像识别的情况下，将深度学习和数字病理切片两者结合在一起，很多研究人员开始了尝试。根据有关媒体报道，来自谷歌、谷歌大脑与Verily公司的科学家们开发出一款能用来诊断乳腺癌的人工智能，它的表现甚至超过了专业的病理学家。针对这一进展，病理学领域的专家和人工智能领域的实践者又是如何看待的？

计算机技术应用初现曙光

从2014年起，微软亚洲研究院的团队开始钻研脑肿瘤病理切片的识别和判断，通过细胞的形态、大小、结构等，去辅助分析和判断病人所处的癌症阶段，并且取得了巨大成就。

北京协和医院原党委副书记陈杰教授在病理诊断领域，已经工作了40年，是全国著名的病理诊断专家。他介绍，病理科的工作主要包含活组织病理检查与快速石蜡病理诊断、术中快速冰冻切片诊断、细胞学检查等。每一项工作都包含一系列规范化的流程，比如常规的病理诊断，中间需要经过组织固定、脱水、透明、浸蜡、包埋，石蜡组织切片、染色，病理医师阅片，分析病变特征，确定诊断结果等。人工智能在上述乳腺癌诊断中应该涉及的是最后的阅片环节，也就是诊断。

“这是个趋势，计算机科学、信息技术发展到今天，让病理诊断的数字切片成为了可能，这是一个基础。数字病理切片多了，使用多点神经网络的信息技术，一个图像采集多少个点，每个点能够采集多少信息，这样去归类、分析、总结形态学的规律，将来数据量大了，会有一定的作用。”陈杰介绍，目前把计算机科学用到病理诊断上，比较成熟就是妇科细胞学，在计算机的辅助下，帮助病理医生筛查可能阳性的细胞，再由病理医生做诊断，减轻了医生的工作量，使用了几十年，取得了比较好的效果。 

国内从事人工智能辅助病理诊断研究多年的Airdoc公司创始人张大磊介绍，人工智能辅助病理诊断首先要在病理专家的辅助下，完成特定病的病理切片标注，然后针对病理切片的特点搭建深度神经网络，实现对大尺寸病理切片的图片智能处理，然后对算法进行训练和优化，从而训练出精准高效的算法模型。目前，Airdoc人工智能在皮肤癌等几类肿瘤病理的识别上，准确率已经和人类顶级医生水平相当。 

化身“病理医生”困难不少 

“说人工智能将会替代病理医生，我看目前还不具备这样的条件。”谈起人工智能在乳腺癌病理诊断领域的最新表现，陈杰并没有十分乐观。“针对一个病理图像，将来人工智能能够帮助病理医生提供几个意向性的可能作为参考，是比较现实的，这已经很不容易了，需要大量的数据来训练这个机器。但技术的发展真不好说，还得看人工智能的发展情况。”

陈杰介绍，除了细胞学的情况外，病理诊断要结合很多其他因素，比如临床资料、形态学，有的还要做分子检测，查看分子分型。在组织学上，前些年计算机科学进步比较慢，一是因为如果要训练机器来进行病理诊断，就需要病理案例越多越好，而在数字切片缺乏的情况下，这一训练显然无法实现；二是人类的病理图像很复杂，变化太多，即便是将所有相关权威书籍的内容加起来，也不能覆盖所有的病理情况，而且书上都是病理形态中的典型图，典型图代表的是一种疾病的典型形态。“比如有时候同样的形态长在不同的部位，可能还不是同一个病。病理医生会结合临床病史进行诊断，而人工智能在这方面可能还不能全部学习到。这就跟阿尔法狗有所不同。阿尔法狗训练的时候是记棋谱，棋谱是有数的，可能没有那么多的复杂情况。” 

正因如此，从技术的角度希望突围的人工智能，在病理解读上仍然需要面临很多问题。张大磊介绍，比如数据的标注置信度、图片分割和模型数量等。人工智能算法精准与否，完全是基于标注的可靠程度，“和我们上学时候一样，如果我们学的东西都是错的，考试的时候肯定不能够得高分。数字病理切片的标注十分繁琐，需要顶级专家对大量病理切片来进行标注，这是一个巨大的工作量”。

张大磊说，现在病理科人工智能需要解决的还有高质量图像获取的问题，需要和显微镜、数字切片扫描仪合作，以便为数字病理学提供关键图像，从而开发新的解决方案。对于大尺寸病理切片的图片处理同样十分重要，比如部分肿瘤病理切片的尺寸达到了20万×20万像素、甚至40万×40万像素，这对于机器识别来说十分困难，需要搭建神经网络和深度学习算法不断进行大量训练，最终才能实现对大尺寸病理切片的图片处理。

另外一个需要克服的困难就是模型数量问题，每一个模型都只能面对一个特定病种，想要覆盖大部分疾病，是一件长久而又困难的事情。

未来仍有更多期待

病理诊断是疾病诊断的金标准，病理医生也素有“医生的医生”之称。在临床实践中，病理学是诊断疾病最重要的方法之一，也是疾病治疗的依据。但是根据相关报道，我国注册的病理医师仅有1万多人，缺口达4万人～9万人。在陈杰看来，这不仅有体制机制的原因，还跟这一行业不被重视有关。据悉，在很多基层医疗卫生机构，病理诊断可能就是一个被省略的过程。

陈杰介绍，在北京协和医院，病理诊断被放在比较重要的位置，受到普遍重视。该院每年需要做的病理诊断多达7万余例。“手术切下来的组织都得做病理诊断，包括医学美容。”但病理医生培养是一个漫长的过程，在该院，一位病理医生能够独自做病理诊断需要先经过大学5年甚至8年的临床医学教育，再进行5年~6年的临床病理诊断实践。 

人才奇缺又培养艰难，在张大磊看来，这正是人工智能的优势所在。他介绍，人工智能识别病理切片准确度高，阅片速度快，没有使用地域限制。它可以长时间保持统一的诊断标准，从而保持高准确率，更好地辅助病理科医生筛查出有问题的病理照片。医生可以将更多精力放在疑难杂症的诊断上。 

陈杰对此也表示认同，如果有了人工智能帮助医生做辅助诊断，那么病理诊断的效率将得到大大的提高，也就有可能为短时间内解决病理医生人才荒的问题提供些帮助。 

“人工智能训练好了，不光对辅助诊断，对培训也有意义。”陈杰表示，人工智能本身就是一个巨大的数据库，存了大量的病例、图库、知识库。一方面，可以利用这些病例来拓宽病理医生的视野；另一方面，在不断和人工智能接触的过程中，医生也可以不断学习并找到诊断的依据和思路。 

但是张大磊也承认，现在的人工智能仍然处于弱人工智能阶段，只能进行一些简单的筛查和诊断，并不能进行进一步治疗，更不能替代医生，仍然需要人类医生下达诊断报告，进行深一步的治疗，并且人工智能的优化同样需要病理科医生的指导。

“其实外界对病理诊断存在一定的误解，认为病理诊断就是客观判断，长什么样就在那儿了，其实不一定。病理诊断跟临床看病是一样的，主客观因素都有。做诊断还得结合人的基本信息等，基于客观的病理图片，还有个人经验、看问题的角度等主观因素影响，最后还得由病理医生做判断。”陈杰说，人工智能的介入无疑会促进这个领域的发展，“我们乐见科技进步给社会、业界带来一些变革，我们也希望人工智能能够帮助我们病理科解决一些问题，尤其在基层，帮我们多讲点科学，普及病理知识”。 

张大磊呼吁，病理覆盖的病种很多，目前人工智能覆盖到的只是极个别病种，希望有更多的病理医生参与到病理领域人工智能的相关科研与临床应用中来。