0
我們先設想這樣一個場景：夜里11點，醫院的病理科內還燈火通明，桌面上還有幾例待閱的切片，第二天患者就要取最終診斷報告。剛剛閱過的切片似乎也沒有十足的把握，不知道和誰討論。
工作了十幾個小時之后，疲憊的醫生往往會有這些內心獨白：
我在基層，只有我一個病理醫生，遇到問題我向誰請教？科里沒有資深的病理科醫生、甚至主任也不懂怎么辦？天天遠程會診不現實，資金、設備從哪兒來？出去進修沒條件，診斷水平如何提高？
其實，這樣的場景不止是在基層，就連具備優質資源的三甲醫院里也時常會出現。所幸的是，人工智能等新技術的不斷應用，讓人們看到了技術給醫療行業帶來的巨大想象空間。
病理學可以和AI擦出怎樣的火花？2017年2月，Andre Esteva等利用深度學習神經網絡方法分析了13萬張皮膚癌圖片，最終能達到皮膚病專家的水平。同年3月，谷歌也開發出了一款能用于診斷乳腺癌的人工智能，通過學習腫瘤組織與正常組織的病理切片，分辨出單個小區域內被標注為“腫瘤”的像素，從而將整個小區域標注為“腫瘤區”。
作為這場“人與智能”競賽中的當事人，病理科專家又是如何看待AI在病理科中的前景和未來？近日，雷鋒網有幸與中國解放軍總醫院（以下簡稱為301醫院）病理科副主任宋志剛進行了一次深入對話。
我們都知道，病理診斷是醫學診斷的“金標準”，是醫生對病人進行正確治療的基石，病理醫生更素有“醫生的醫生”之稱。病理醫生直接面對的其實不是患者，而是臨床醫生。病理報告中會提供病人罹患的疾病的具體類型、腫瘤的分級、分期等各種信息，然后臨床醫生會根據這些信息來制定治療和用藥的方案。
“千金易得、病理醫生難求”，與病理科的重要地位形成鮮明對比的是病理醫生資源的匱乏。據雷鋒網了解，全國職業病理醫生約9000人，按照國家規定，缺口達4-9萬人。另外，不同級別醫院診斷準確率差別較大，較低級別的醫院可能不足40%。病理診斷含金量不足，導致腫瘤治療過度或不足。
在采訪中，301醫院的宋主任表示，病理診斷醫生緊缺有其特殊的學科背景和社會背景。病理診斷依靠顯微鏡下的細胞形態，細胞不同的形態及不同的組合及排列可能代表不同的疾病。而同一種疾病又有不同的形態，病理醫生需要掌握常見的上千種疾病的常見形態。因此病理醫師的診斷依賴于經驗，培養病理醫生的周期非常長，從一個初級診斷醫生到一個經驗豐富的高年資診斷醫生大約需要10年時間。此外，病理工作風險高、責任大， 專業吸引力相對較低，且由于從業后工作強度太高，很多學病理的醫生都沒能堅持到最后。
301醫院屬于國內著名的醫院，一年到頭都會擠滿了從全國各地慕名前來的患者。那么，在這樣頂級醫院的病理科里，醫生的工作狀態是什么樣？
宋主任向雷鋒網介紹，2017年，301醫院病理科活檢病例接近9萬例，這9萬例報告每例都至少經過2名醫生的從大體標本取材、一線醫生閱片及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，甚至全科醫生集體討論。因此各級醫生加班閱片已是常態，至少1/3的病例是在加班時間完成的。
考慮到整體醫療環境對醫生資源的渴求，嘗試利用新技術來滿足醫生需求的呼聲也越來越高。盡管現在人工智能在醫療領域的應用如火如荼，但是就病理這門學科而言，涉足者甚少。與創業公司在影像科室里的熱鬧場面相比，市面上能夠利用AI技術在病理學方面做出滿意成果的公司屈指可數。病理科是否有其獨特的行業壁壘，讓創業者望而卻步？
在宋主任看來，病理AI的進展慢主要是難度大，無論是從計算機角度還是病理學角度——數據量大、診斷標準多。
從計算機角度來看，病理學的切片每張可達到G字節以上的數據量。我們來粗略地算一筆賬：301醫院去年產生近9萬例診斷量，平均每例可以產生5張切片，即使全部利用200倍全視野掃描，所得的圖像大小也有500M左右，這樣的數據量本身就已經非常龐大，由此就會帶來數據存儲的問題?！拔覀円荒晷枰脦讉€機柜的硬盤才能滿足日常的存儲需求，這讓很多硬件商看到之后都望而卻步，更別談一些小的創業公司了。”
從病理學角度來看，全身疾病的種類多達五千余種，每種疾病都有不同的診斷標準，每個標準又有很多對應的特征。宋主任給我們打了一個比方：如果影像科醫生和病理學醫生同時來診斷一顆“爛蘋果”，影像科醫生利用各種影像設備看到蘋果上壞了個洞，可能是生蟲子了，至此就可以下結論。但是對于病理科而言，要做到知其然，而后知其所以然，不僅要知道這是一顆壞蘋果，還要判斷這顆蘋果生的是什么蟲子，蟲子是什么類型，要提供詳細的信息為后續“殺蟲“方法的選擇提供依據?！安±韺W更多的是一門經驗學科，很多參數都在我們心里。如何把這種難以量化的經驗傳授給機器，也是科技公司要攻克的難關?！?/p>
目前的經驗告訴我：在一個定義非常明確的問題上，通過向病理學家不斷學習，機器學習可以交付足夠好的表現。“人工智能的優勢在于不知疲倦，診斷標準更加客觀，相比于培養醫生的成本較低（一個成熟的AI診斷模型，全球通用），具備大數據分析能力（遠超出個人經驗的總結），為疾病的診斷、治療及預后判斷等方面提供更多依據?！?/p>
為此，他與AI技術隊伍以腸腺瘤診斷的人工智能為切入點進行了跨界嘗試。他為人工智能設定了兩個“小目標”：細胞學初篩、定量分析。
以細胞學初篩為例，病理切片圖像可以分為組織學圖像和細胞學圖像。細胞學圖像通常只包含細胞本身的信息，而組織病理學圖像包含更復雜的排列組合方式等信息，因此二者對分析算法有不同的要求，選擇細胞學在一定程度上而言難度更小。
而在定量分析方面，現在越來越多的精準治療需要病理醫生提供很多的定量指標，如：核分裂像計數、免疫組化陽性強度的判定等。這些工作恰恰是人所不擅長的，不僅耗時，而且難以給出準確的數據，那這種工作為什么不讓最擅長的機器來做呢？
宋主任向我們介紹了他在腸腺瘤人工智能診斷上的一些心得體會?！斑x擇這一病種是因為腸腺瘤的病例相對較多、病變類型相對少，而且腺瘤的組織形態較為簡單?！?/p>
他們的團隊利用200多張病理切片，進行切割后得到了80萬張腺瘤以及100萬張陰性的小圖。經過一系列的處理和數據集訓練后，基于GoogleNet的深度學習模型的單一疾病靈敏度可以達到85.71%，特異度為84.21%，準確率為85.04%。
我們都知道，醫療場景里，漏診是一個嚴重的問題。所以，很多團隊在打磨產品的過程中也繞不開這個問題：出現漏診的責任誰來擔？所以，抱著“寧錯殺一千不放過一個”的心態，宋主任認為：對于將來產品在設計時應著力降低假陰性率，即便帶來假陽性高的副作用，也要保證假陰性率接近零。這樣AI診斷為陰性的應充分可靠，直接出報告，AI診斷陽性的再去人工復核，AI初篩出多少陰性病例，就為醫師減輕了多少工作量，這樣就達到AI初篩減輕醫師工作復核的目的。
為什么要篩除陰性病例而不是陽性病例？因為陽性病例的情形千千萬萬，有些病例少到全球只有幾例。罕見病的病例量肯定不能夠滿足AI學習的數據量。
“一天建不成羅馬，病理AI也是同理，需要由簡單到復雜，由單病種擴展到多病種。盡管模型在單一疾病上取得了可喜的成果，但是對于一個系統多個疾病的診斷所需要的病例量可能是指數級增長的。
在市場、資本包括國家政策的“注視”下，計算機輔助診斷有一部分開始走出實驗室進入臨床輔助的階段。由于醫療數據的限制以及臨床高準確率的要求，病理AI依然存在一些局限性。從以往的經驗可以看出，制造出一個可以臨床使用的產品需要多學科科學家的通力合作，沒有病理學家的深度參與不可能有真正實用的病理產品出現。
人工智能在醫療領域凸顯出了極大的優勢和施展空間，但是醫院的醫生是否有意愿、有動力去配合公司進行相關的開發工作？宋主任指出：現在的問題在于醫學界和工程界并沒有形成一個緊密、有效的合作機制。利用AI來實現影像診斷是一個超級工程，模型的建立只是合作中的一小步，后期的數據標注、模型修改都需要醫生的深度參與，這時候就需要醫工雙方形成長期穩定的合作關系。
醫療+AI的工程很大，病理尤甚。
“醫工結合的結合有時候過于松散，醫生忙于自己的本職工作，還要另外抽出時間來配合企業的研發需求，合作效能無法最大化。醫生和公司最好能夠形成一個利益共同體，類似于合伙人的方式，提高醫生的積極性和參與感，不斷地朝同一個目標努力?！?/p>
在宋主任看來，AI解決不了的是創新，人工智能本質上是對人類知識的整合，創新工作還是要人來完成?？茖W的進步日新月異，醫學也是一樣，將來人的任務是發現新的知識，AI的任務是學習新知識，并為人類服務。
在完成腸腺瘤的人工智能診斷研究之后，現階段醫學團隊有什么實際的需求需要業界團隊來協助？在宋主任看來，需求主要有兩部分:
輔助：為低級別醫院經驗欠缺的病理醫生提供診斷建議、提供教學幫助、AI分擔醫生繁重而簡單的工作（如尋找淋巴結的轉移癌、病原體等，定位后人工復核）
替代：計數指標的判定、免疫組化陽性強度的判定以及分子病理的判定
去年可以說是AI應用的元年，各種研究團隊不斷刷新人類在醫療領域的能力極限，AI似乎在賬面上大有超越醫生之勢。那么，未來AI在病理科的不斷成熟，對醫生的工作流程是否有影響？影響有多大？
宋主任對此回應，將目光放遠一點來看，AI的成熟會對醫生工作流程產生很大的影響，不同的成熟階段可能不太一樣。在他的設想中，AI在病理科流程中的應用可以分為以下三步：
近期：AI輔助醫師完整一些簡單而繁重的工作（前述的輔助及替代工作），由人工復核后簽發報告。
中期：病理切片掃描，AI篩出陰性結果，陽性病例給出診斷意見，人工復核簽發報告。
遠期：人工智能直接簽發報告，醫師維護數據進行科研工作。
當然，如果將“AI+醫療”置于整個醫療的大環境下來看，人工智能不僅要在三甲醫院等優質資源聚集的地方發揮作用，而且更應該在分級診療的政策導向下為基層醫療承擔更多的責任。
因此，強化基層的病理診斷能力，向基層輸出優質的病理診斷人才是解決分級診療的一個重點。
病理科作為基礎學科，其診斷會直接影響到基層醫院各類疾病的診斷和治療水平。沒有這個做基礎，基層醫院很難留住病人，更不用說“大病不出縣”。
展望一下醫療領域未來的發展之路，宋主任認為人工智能在其中大有可為。“職業病理醫生缺口大，基層醫院病理學科配置不足，目前已經成熟的遠程病理再加上將來成熟的人工智能，技術的進步將淡化基層與上級醫院的區別。所有的患者都能享受高水平的一致的診斷服務，這不僅局限于病理學，整個醫療領域將都是這樣?！?/p>
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
