中国病理人工智能行业研究报告

　　病理人工智能是指通过人工智能算法，对数字化的病理切片进行诊断；其中数字病理技术是病理人工智能的基础，模型的构建是病理人工智能的关键。

　　在我国病理人工智能的发展中，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。

　　在技术（算法）发展中，深度学习算法有力地推动了病理人工智能的发展，但是在数据量较少的时候使用深度学习很难得到理想的效果，行业专家指出要完成一个有效的学习目标，起码需要十万级别的训练量；在商业模式中（病理医生与人工智能专家之间的合作方式），病理人工智能诊断是辅助病理医生或是替代病理医生，还是与病理医生合作共同完成病理诊断呢？通过本文，我们一起来看一下病理人工智能行业的发展。

病理人工智能前景分析

　　市场需求

　　病理医生短缺。中国病理人才匮乏，诊断水平参差不齐。数据显示，目前全国有执照的病理科医生仅9000人，按照国家卫健委每100张病床配备1至2名病理科医师的配置要求计算，病理医生缺口高达9万人。另外二级医院病理医生出诊符合率为35%，市级医院37%，县级医院为26%，三级以下医院病理诊断含金量不足，导致肿瘤治疗过度或不足。

　　病理医生培养难度大、周期长。我国病理医生长期稀缺，传统显微镜下阅片需要以人的视觉诠释、知识积累、技能与天分作为基础，病理医生培训周期长达10年之久。

　　精准医疗。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。精准诊断才能实现精准医疗。肿瘤良恶性的准确判别、恶性肿瘤的分类,对于肿患者的临床治疗方法具有重要意义，而这都有依赖于高质量、精准的病理诊断。

　　现有病理诊断的水平难以满足精准诊断的需求，而病理人工智能提供的定量指标使得精准医疗成为可能。病理人工智能可以完成核分裂像计数、免疫组化阳性强度的判定等技术含量低、工作量大的机械化定量指标，传统的病理诊断并不能满足对此类诊断的需求，病理人工智能可以提供类似的定量分析指标，为精准治疗提供了参考和指导。

　　病理预后管理。目前癌症预后管理效果较差。伴随着生活水平提高，但是癌症的统计数据却呈现上升且年轻化趋势。据调查，中国癌症五年存活率远低于发达国家，病理诊断预后效果不够理想。

　　目前大多数肿瘤分类依赖于主观经验对HE切片组织形态学的认识，定性的诊断但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，为精准的预后评估提供了数据支撑。病理人工智能可以完成核分裂像计数、免疫组化阳性强度的判定等技术含量低、工作量大的机械化定量指标，为精确的预后评估提供了数据支撑。

　　市场痛点

　　“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的数据作为支撑，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”现象使得给人工智能诊断学习的病理切片和病理资料偏少。医院的“数据孤岛”现象较为严重。一方面是我国医院系统相对封闭，无法实现资源共享，存在“数据孤岛”现象；另一方面，医疗机构内对于病历的管理执行依据卫生行政部门规定，病理资料一般都封闭在科室内部。

　　第三方检验机构缺乏交流合作机制。第三方检验机构之间缺乏交流合作机制，尽管它们具有较好的数据资源积累，但不同检验机构由于相关设备、软件的差异，数据标准化程度各不相同，往往基于自身掌握的数据资源进行算法开发。

　　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五千余种，每种疾病都有不同的诊断标准，每个标准又有很多对应的特征。病理科医生需要去判断疾病的类型和具体情况，为后续的治疗提供依据。病理学更多的是一门经验学科，大部分疾病诊断的参数都在病理医生的心里。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。

　　人工智能行业人才短缺

　　据业内统计，目前我国人工智能行业的从业人员不足5万人。国内虽有清华大学、北京大学、复旦大学等高校开设了相关专业，每年培养的技术人员不足5000人，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。

　　商业化模式尚未落地

　　行业尚未建立可持续的商业化模式。目前有部分企业掌握病理人工智能技术，但由于病理人工智能医疗产品的特殊性，国内至今尚无病理人工智能产品获得医疗器械注册证。这代表着病理人工智能医疗技术不能普遍应用于临床。C端消费者尚处于市场培育期，现阶段尚未接受付费软件的模式，目前的方法只能以通过人工智能医疗技术以软件的形式让医院付费。如何实现技术产品变现成为建立可持续商业化模式的关键。

算法和商业模式如何重构病理人工智能

　　机器学习转向深度学习

　　深度学习算法加速病理人工智能落地。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分析能力强于机器算法，在病理切片分析中表现出巨大潜力。

　　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，包含多层隐层的人工神经网络模型都可以叫做深度学习。该算法的多层堆叠式结构能够组合数据的低层特征得到数据的高层特征表达，对于大数据样本、复杂函数模型具有强大的处理能力，是人工智能领域的热门研究方向。

　　以深度学习为代表的人工智能在一定程度上减少了病理医师经验性误判导致的误诊情况，提高了工作效率。结合强大的客观分析能力，计算机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师和数字病理诊断的知识体系。

　　医工合作模式需深入推进

　　从病理医生的参与来看，计算机辅助病理医师诊断依然是现阶段主流趋势，制造出一个可以临床使用的产品需要多学科科学家的通力合作，没有病理学家的深度参与不可能有真正实用的病理人工智能产品出现。

　　从临床诊断准确度来看，有专家认为目前人工智能医疗没有好的观察整体，一张切片，第一遍看时判断为恶性，到高倍镜下看局部变成了良性，但最终结论确是恶性的，因为医生判断不是基于细胞，而是生物细胞行为。病理科医生重点要看是低倍镜，因为低倍镜可以看全貌。

　　从病理数据来看，一方面是目前存在数据孤岛现象，数据被封闭在医院，难以被病理人工智能开发企业获取；另一方面，深度学习算法需要以大量的数据为基础，深度学习要完成一个有效的学习目标，起码需要十万级别的训练量，需要巨大的病理数据作为支撑。（众成医械研究院）