首先，让我们先聊聊病理学家们是如何拯救人类生命的。

当发现患者胸部扫描显示肺部位置存在可疑肿块，外科医生就会从该潜在的肿瘤处提取一个小小的柱状活体样本，由病理学家进一步提取极薄的组织切片放在载玻片上通过显微镜进行观察，判断细胞中是否存在癌变迹象。最后，由医生着手治疗。

但这样一个诊疗的过程也有局限性。即便是专业的病理学家和医生也有可能忽略真正的癌细胞，或是将显微镜下观察到的某些良性细胞误判为癌细胞。在后一种情况下，病人将接受毫无必要的传统化疗。

而借助人工智能，这个问题将在很大程度上被解决。利用大量数字化影像进行训练，人工智能系统能够提供准确率远超人类病理学家的诊断结论，甚至发现顶尖病理学家也无法发现的、极为细小的病征。也就是说，针对于癌症，人工智能将为医生和病理学家提供重要的诊断与治疗建议，并且这个过程有望在几秒钟之内完成。

无疑，机器将使日益复杂的现代医学变得更易于管理，而人机组合的方式也将超越单一一方的表现，给未来医学发展带来新的突破。

在过去的一年中，由机器学习算法驱动的各类诊断工具已经进入临床市场，帮助医生在极少甚至根本无需人工输入的前提下轻松发现手腕骨折、糖尿病并发性眼疾以及中风等病征。然而，这些早期应用仅仅负责自动完成专家诊断及医师执行方面的任务，一般涉及解释X光片与CT扫描等影像。这类软件在分析精度与准确率方面略微优于训练有素的人类专家，且具备极为明显的速度优势。然而，还不能从根本上扩展诊断规模。

相比之下，AI病理学的发展更具有突破性。

据预测，2019年美国食品与药物管理局（简称FDA）或将批准多家公司在病理学领域的第一款AI支持型工具。与放射学及眼科等单纯面向某一领域的学科不同，AI病理学工具能够将生物化学、免疫学乃至遗传学领域的成果整合起来，从而为组织薄切片及染色样本的图像添加分子级别的细节观察。

AI将大大减轻病理学家的工作压力

Andrew H. Beck是一位专业的病理学家，曾在波士顿与合伙人共同创办并经营一家名为PathAI的初创企业。他表示，他们的工具将真正改善诊断的准确性与治疗效果，并认为，病理学将成为人工智能真正彻底改变的第一个医学领域。

Beck并不是唯一一位对此抱有乐观态度的人。各大软件巨头（包括谷歌与IBM）、医疗设备制造商（包括飞利浦与徕卡生物系统公司）以及数十家初创企业正在开发相关的模式识别算法，希望能够帮助病理学家利用载玻片上的数字化活体组织图像发现癌细胞或者其它患病细胞。支持者们指出，据统计目前只有不到2%的高校毕业生愿意进入病理学领域; 而智能软件的出现则有望缓解全球人才短缺的现状，同时减轻病理学专家和医生的工作压力。

Beck本身对病理学与软件都有着深入的理解。他是一位病理学家，同时接受过计算机科学培训。在公司总部内，Beck进行了一轮PathAI平台演示。他将一部分癌变肺组织数字图像进行缩放，在显微镜载玻片的标准视力与染色叠加图之间切换，并通过突出显示特定细胞或癌变相关蛋白做出内容注释。

利用数字载玻片图像数据PathAI对其机器学习算法进行了训练，并将其与例如肿瘤侵袭性、治疗计划与治疗结果等临床数据加以结合，从而实现远超任何顶尖人类医师的统计分析能力。

据了解，PathAI的模型不仅能对癌细胞进行检测并评估肿瘤的状态，同时还能给出相关的治疗建议。通过计算包围在肿瘤周边的免疫细胞，并判断这些细胞是否具有某些特性的方式，考量最新的免疫疗法是否奏效。

这种方式对于像Bristol-Myers Squibb（简称BMS）这样的药物开发商来说极具价值。因为BMS一直希望借此确定为什么只有一小部分临床试验参与者对抗癌药物有所反应。

BMS公司翻译病理学负责人Michael Montalto解释称，他的团队目前正在依靠PathAI的技术确定活检样本中的肿瘤细胞是否被伪装蛋白质所覆盖——在这种情况下，免疫细胞无法将癌细胞正确识别出来。BMS的免疫治疗药物能够有效剥开覆盖层，从而激发病患身体对于癌细胞的杀灭功能。他表示，这还只是人工智能发现作用的案例之一，接下来BMS还将把这项技术引入所有病理试验中。

为了帮助医生们治愈肺部肿瘤，PathAI的软件会绘制现有组织类型（图一），其中的红色部分为指示癌症发展的上皮细胞。此外，他们还制作出了一份免疫细胞图（图二），其中的黄色方块指示的是新的免疫治疗药物对肿瘤起到治疗效果。

更重要的是，人工智能病理学市场的核心机遇并不在于研究环境当中，而在于建立起判断每位癌症患者肿瘤性质的标准诊断流程并指导治疗方案。但这一市场的建立面临着一项挑战：即整个病理学基础设施都需要随之改变。荷兰兰道尔大学医疗中心计算病理学家Jeroen van der Laak指出，“要使用这些算法，我们必须首先将切片图像进行数字化转录，但现在大多数机构都没有相关的处理设施。”

虽然不少病理学实验室目前都会为载玻片样本制作数字拷贝，从而进行归档或事后研究，但只有少数早期采用者（主要在欧洲）会进行预先扫描以引入诊断过程。由于这项技术成本昂贵，因此医院在引入自动化全切片成像设备方面进展非常缓慢：扫描价的价格高达25万美元，另外存储亿级像素高清图像文件也会带来额外的资源成本。

然而，俄亥俄州立大学综合癌症中心数字病理学负责人Anil Parwani坚持认为这项投资将物有所值。该中心是全美唯一一家将切片数字扫描作为常规诊断工作流程的机构。Parwani解释称，由于医师工作效率的提高以及诊断错误的减少，该医院引入的全数字平台有望在五年之内收回成本。此外，数字化切片还能够实现在线文件共享，而无需寄送实体切片进行远程诊断或收集参考意见。Parwani指出，“这使得工作流程变得更为稳定可靠。”病理学家们能够立即对间隔数月的活检影像进行比较，或者在差旅途中查看病例。

PathAI是如何创立的

2000年初，Beck在布朗大学医学院求学时开始涉足量化图像分析。他与病理学家Murray Resnick合作，共同开发出了一款计算机程序，用于评估食道细胞的大小、形状及其它特征，从而确定患者罹患食道癌的风险。虽然并不属于深度学习算法，但由此激发的量化医学兴趣促使他选择了斯坦福大学，并在AI科学家Daphne Koller的实验室中攻读病理学博士学位。他的研究最终成就了Computational Pathlogist（简称C-Path）系统的诞生，这是一款相当原始的机器学习工具，用于评估乳腺肿瘤的严重程度。2011年，该小组公布了研究结果，这也成为人工智能在病理学领域中的首批应用之一。

Koller回忆道，那时候“还没人采用这种广泛的数据驱动方法解决这类问题。”在之前的自动化组织分析尝试当中，研究人员一般会告知程序要寻找哪些特征——Beck与Resnick采取的都是这种方法。五年之前他们在食道癌研究中就做过类似的工作。通过C-Path，Beck为他的算法提供了数百项特征，涵盖几乎每一项他能够想到并可以检测得出的特征。至于剩下的工作，就交给计算机代码处理了。

借助C-Path，Beck发现乳腺癌疾病最具可预测性的特征不在于肿瘤细胞本身，而在于周边位置——人类病理学家很少会以这样的方式做出判断。Van de Rijn指出，“这绝对是个惊人的发现，甚至有可能带来新的病理学解释方法。”

结束了在斯坦福的求学经历，Beck回到美国东部，在哈佛医学院附属的贝斯以色列女执事医疗中心创办了自己的研究小组。在这里，他退出了机器学习研究，开始关注癌症流行病学。但在2015年，由荷兰研究人员发起的一场国际竞赛又让他重新投身于利用人工智能颠覆世界的尝试。

在这次竞赛中，Beck的团队设计出一套两步式验证系统，旨在确保人工智能最初标记为“健康”的所有组织块都确实不存在癌变迹象。在确定载玻片是否包含肿瘤细胞以及确定癌组织在较大组织样本中的位置方面，其算法甚至在一定程度上超过了专业病理学家的水平。借此，Beck的团队最终击败了其他22支队伍，在这场竞赛当中拔得头筹。

Beck表示，这次经历让他获得了建立初创企业的信心。2017年1月，他辞去了哈佛大学的终身职位，创建了PathAI公司。

三大决策支持工具

目前，PathAI公司正在开发三种类型的决策支持工具：

第一，是用于处理病理学家们最讨厌的重复性工作的工具，例如识别淋巴结中的转移迹象以及是否存在癌细胞等简单测定。这类工作并不困难，但却极为耗时而且会给人类专家带来巨大的负担；

第二，是涉及确定癌症的“等级”的工具。约翰霍普金斯大学的病理学家Johnathan Epstein指出，这种关于肿瘤侵袭性的判断“非常困难，充满主观性，同时也在治疗当中发挥着至关重要的作用。”PathAI公司顾问兼泌尿外科癌症专家Epstein正在努力训练可用于诊断前列腺及其它器官肿瘤的算法；

第三，是生物标志物检测工具。制药企业可以借此了解哪些患者群体能够从自己的药物中受益。如果在临床试验当中得到验证，那么这些算法将能够帮助医生为患者提供个性化用药建议。

截至目前，PathAI公司已经测试了其软件在肺部、膀胱癌、皮肤癌、前列腺癌、乳腺癌、结肠癌以及胃癌方面的表现。Beck总结称，“这套平台非常易于迁移，也正因为如此，我们才能利用其处理几乎所有主要肿瘤疾病。随着新项目与新指标的不断引入，其表现也在持续提升。”

对于人工智能能否最终超越并彻底取代人类病理学家这样的问题，Beck强调称：虽然机器学习确实能够在特定诊断任务当中发挥重要的辅助作用，但为病人找到最佳治疗方法仍然需要多种类型临床信息的配合，包括细胞染色、蛋白质注释、基因概括以及电子健康记录等等。只有将这些信息进行认真筛选与组合，才能制定出明确的诊断与治疗计划。这种综合能力正是人类病理学家的价值所在。Beck认为，“人工智能本身并不足以解决这个问题。”