专访301医院病理科宋志刚： AI 可以为病理学带来多大的想象空间？

我们先设想这样一个场景：夜里11点，医院的病理科内还灯火通明，桌面上还有几例待阅的切片，第二天患者就要取最终诊断报告。刚刚阅过的切片似乎也没有十足的把握，不知道和谁讨论。

工作了十几个小时之后，疲惫的医生往往会有这些内心独白：

我在基层，只有我一个病理医生，遇到问题我向谁请教？科里没有资深的病理科医生、甚至主任也不懂怎么办？天天远程会诊不现实，资金、设备从哪儿来？出去进修没条件，诊断水平如何提高？

其实，这样的场景不止是在基层，就连具备优质资源的三甲医院里也时常会出现。所幸的是，人工智能等新技术的不断应用，让人们看到了技术给医疗行业带来的巨大想象空间。

病理学可以和AI擦出怎样的火花？2017年2月，Andre Esteva等利用深度学习神经网络方法分析了13万张皮肤癌图片，最终能达到皮肤病专家的水平。同年3月，谷歌也开发出了一款能用于诊断乳腺癌的人工智能，通过学习肿瘤组织与正常组织的病理切片，分辨出单个小区域内被标注为“肿瘤”的像素，从而将整个小区域标注为“肿瘤区”。

作为这场“人与智能”竞赛中的当事人，病理科专家又是如何看待AI在病理科中的前景和未来？近日，雷锋网有幸与中国解放军总医院（以下简称为301医院）病理科副主任宋志刚进行了一次深入对话。

好的病理医生意味着什么？

我们都知道，病理诊断是医学诊断的“金标准”，是医生对病人进行正确治疗的基石，病理医生更素有“医生的医生”之称。病理医生直接面对的其实不是患者，而是临床医生。病理报告中会提供病人罹患的疾病的具体类型、肿瘤的分级、分期等各种信息，然后临床医生会根据这些信息来制定治疗和用药的方案。

“千金易得、病理医生难求”，与病理科的重要地位形成鲜明对比的是病理医生资源的匮乏。据雷锋网 (公众号：雷锋网) 了解，全国职业病理医生约9000人，按照国家规定，缺口达4-9万人。另外，不同级别医院诊断准确率差别较大，较低级别的医院可能不足40%。病理诊断含金量不足，导致肿瘤治疗过度或不足。

在采访中，301医院的宋主任表示，病理诊断医生紧缺有其特殊的学科背景和社会背景。病理诊断依靠显微镜下的细胞形态，细胞不同的形态及不同的组合及排列可能代表不同的疾病。而同一种疾病又有不同的形态，病理医生需要掌握常见的上千种疾病的常见形态。因此病理医师的诊断依赖于经验，培养病理医生的周期非常长，从一个初级诊断医生到一个经验丰富的高年资诊断医生大约需要10年时间。此外，病理工作风险高、责任大， 专业吸引力相对较低，且由于从业后工作强度太高，很多学病理的医生都没能坚持到最后。

301医院属于国内著名的医院，一年到头都会挤满了从全国各地慕名前来的患者。那么，在这样顶级医院的病理科里，医生的工作状态是什么样？

宋主任向雷锋网介绍，2017年，301医院病理科活检病例接近9万例，这9万例报告每例都至少经过2名医生的从大体标本取材、一线医生阅片及二线医生阅片到报告签发的过程。有些疑难病例还要经过三级医师阅片，甚至全科医生集体讨论。因此各级医生加班阅片已是常态，至少1/3的病例是在加班时间完成的。

病理AI为什么进展慢？

考虑到整体医疗环境对医生资源的渴求，尝试利用新技术来满足医生需求的呼声也越来越高。尽管现在人工智能在医疗领域的应用如火如荼，但是就病理这门学科而言，涉足者甚少。与创业公司在影像科室里的热闹场面相比，市面上能够利用AI技术在病理学方面做出满意成果的公司屈指可数。病理科是否有其独特的行业壁垒，让创业者望而却步？

在宋主任看来，病理AI的进展慢主要是难度大，无论是从计算机角度还是病理学角度—— 数据量大、诊断标准多。

从计算机角度来看 ，病理学的切片每张可达到G字节以上的数据量。我们来粗略地算一笔账：301医院去年产生近9万例诊断量，平均每例可以产生5张切片，即使全部利用200倍全视野扫描，所得的图像大小也有500M左右，这样的数据量本身就已经非常庞大，由此就会带来数据存储的问题。“我们一年需要好几个机柜的硬盘才能满足日常的存储需求，这让很多硬件商看到之后都望而却步，更别谈一些小的创业公司了。”

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。宋主任给我们打了一个比方：如果影像科医生和病理学医生同时来诊断一颗“烂苹果”，影像科医生利用各种影像设备看到苹果上坏了个洞，可能是生虫子了，至此就可以下结论。但是对于病理科而言，要做到知其然，而后知其所以然，不仅要知道这是一颗坏苹果，还要判断这颗苹果生的是什么虫子，虫子是什么类型，要提供详细的信息为后续“杀虫“方法的选择提供依据。“病理学更多的是一门经验学科，很多参数都在我们心里。如何把这种难以量化的经验传授给机器，也是科技公司要攻克的难关。”

我为AI设定的两个“小目标”

目前的经验告诉我：在一个定义非常明确的问题上，通过向病理学家不断学习，机器学习可以交付足够好的表现。“人工智能的优势在于不知疲倦，诊断标准更加客观，相比于培养医生的成本较低（一个成熟的AI诊断模型，全球通用），具备大数据分析能力（远超出个人经验的总结），为疾病的诊断、治疗及预后判断等方面提供更多依据。”

为此，他与AI技术队伍以肠腺瘤诊断的人工智能为切入点进行了跨界尝试。他为人工智能设定了两个“小目标”： 细胞学初筛、定量分析。

以细胞学初筛为例，病理切片图像可以分为组织学图像和细胞学图像。细胞学图像通常只包含细胞本身的信息，而组织病理学图像包含更复杂的排列组合方式等信息，因此二者对分析算法有不同的要求，选择细胞学在一定程度上而言难度更小。

而在定量分析方面，现在越来越多的精准治疗需要病理医生提供很多的定量指标，如：核分裂像计数、免疫组化阳性强度的判定等。这些工作恰恰是人所不擅长的，不仅耗时，而且难以给出准确的数据，那这种工作为什么不让最擅长的机器来做呢？

宋主任向我们介绍了他在肠腺瘤人工智能诊断上的一些心得体会。“选择这一病种是因为肠腺瘤的病例相对较多、病变类型相对少，而且腺瘤的组织形态较为简单。”

他们的团队利用200多张病理切片，进行切割后得到了80万张腺瘤以及100万张阴性的小图。 经过一系列的处理和数据集训练后，基于GoogleNet的深度学习模型的单一疾病灵敏度可以达到85.71%，特异度为84.21%，准确率为85.04%。

我们都知道，医疗场景里，漏诊是一个严重的问题。所以，很多团队在打磨产品的过程中也绕不开这个问题：出现漏诊的责任谁来担？所以，抱着“宁错杀一千不放过一个”的心态，宋主任认为： 对于将来产品在设计时应着力降低假阴性率，即便带来假阳性高的副作用，也要保证假阴性率接近零。 这样AI诊断为阴性的应充分可靠，直接出报告，AI诊断阳性的再去人工复核，AI初筛出多少阴性病例，就为医师减轻了多少工作量，这样就达到AI初筛减轻医师工作复核的目的。

为什么要筛除阴性病例而不是阳性病例？因为阳性病例的情形千千万万，有些病例少到全球只有几例。罕见病的病例量肯定不能够满足AI学习的数据量。

“一天建不成罗马，病理AI也是同理，需要由简单到复杂，由单病种扩展到多病种。尽管模型在单一疾病上取得了可喜的成果，但是对于一个系统多个疾病的诊断所需要的病例量可能是指数级增长的。

医工结合如何发挥最大效能？

在市场、资本包括国家政策的“注视”下，计算机辅助诊断有一部分开始走出实验室进入临床辅助的阶段。由于医疗数据的限制以及临床高准确率的要求，病理AI依然存在一些局限性。从以往的经验可以看出，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产品出现。

人工智能在医疗领域凸显出了极大的优势和施展空间，但是医院的医生是否有意愿、有动力去配合公司进行相关的开发工作？宋主任指出：现在的问题在于 医学界和工程界并没有形成一个紧密、有效的合作机制。 利用AI来实现影像诊断是一个超级工程，模型的建立只是合作中的一小步，后期的数据标注、模型修改都需要医生的深度参与，这时候就需要医工双方形成长期稳定的合作关系。

医疗+AI的工程很大，病理尤甚。

“医工结合的结合有时候过于松散，医生忙于自己的本职工作，还要另外抽出时间来配合企业的研发需求，合作效能无法最大化。医生和公司最好能够形成一个利益共同体，类似于合伙人的方式，提高医生的积极性和参与感，不断地朝同一个目标努力。”

在宋主任看来，AI解决不了的是创新，人工智能本质上是对人类知识的整合，创新工作还是要人来完成。科学的进步日新月异，医学也是一样，将来人的任务是发现新的知识，AI的任务是学习新知识，并为人类服务。

病理医生对AI的新需求

在完成肠腺瘤的人工智能诊断研究之后，现阶段医学团队有什么实际的需求需要业界团队来协助？在宋主任看来，需求主要有两部分:

辅助：为低级别医院经验欠缺的病理医生提供诊断建议、提供教学帮助、AI分担医生繁重而简单的工作（如寻找淋巴结的转移癌、病原体等，定位后人工复核）

替代：计数指标的判定、免疫组化阳性强度的判定以及分子病理的判定

去年可以说是AI应用的元年，各种研究团队不断刷新人类在医疗领域的能力极限，AI似乎在账面上大有超越医生之势。那么，未来AI在病理科的不断成熟，对医生的工作流程是否有影响？影响有多大？

宋主任对此回应，将目光放远一点来看，AI的成熟会对医生工作流程产生很大的影响，不同的成熟阶段可能不太一样。在他的设想中，AI在病理科流程中的应用可以分为以下三步：

近期：AI辅助医师完整一些简单而繁重的工作（前述的辅助及替代工作），由人工复核后签发报告。

中期：病理切片扫描，AI筛出阴性结果，阳性病例给出诊断意见，人工复核签发报告。

远期：人工智能直接签发报告，医师维护数据进行科研工作。

当然，如果将“AI+医疗”置于整个医疗的大环境下来看，人工智能不仅要在三甲医院等优质资源聚集的地方发挥作用，而且更应该在分级诊疗的政策导向下为基层医疗承担更多的责任。

因此，强化基层的病理诊断能力，向基层输出优质的病理诊断人才是解决分级诊疗的一个重点。

病理科作为基础学科，其诊断会直接影响到基层医院各类疾病的诊断和治疗水平。没有这个做基础，基层医院很难留住病人，更不用说“大病不出县”。

展望一下医疗领域未来的发展之路，宋主任认为人工智能在其中大有可为。“职业病理医生缺口大，基层医院病理学科配置不足， 目前已经成熟的远程病理再加上将来成熟的人工智能，技术的进步将淡化基层与上级医院的区别。 所有的患者都能享受高水平的一致的诊断服务，这不仅局限于病理学，整个医疗领域将都是这样。”

。