病理检查一直被誉为疾病诊断的“金标准”，但传统的病理诊断面临着主观性、易出错、重复性低，半定量、没有精确的统计输出，缺少经验丰富的病理学家、肿瘤学家等缺陷。随着全切片图像的采集、处理和分析方面技术的发展，数字病理(Digital Pathology, DP)在过去的十年内逐渐的应用到科研及临床中。

尤其是年初FDA首次批准了用于数字病理的全切片影像系统，用于病理学诊断的主要方式。除了扫描技术的发展及存储价格的不断下降，机器学习，人工智能的发展为图像分割和识别也提供了新一代的算法。目前在病理研究上的许多工作已接近甚至达到了临床应用的水平，例如Google研究团队利用其深度学习算法GoogLeNet用于定位乳腺癌向乳房相邻的淋巴结扩散时，其算法的定位得分(FROC)达到89%，明显超过了具有丰富经验的病理学家(73%)。AI相对于人类而言，首先他不会疲倦，它可以不分昼夜的进行工作;他不会因为情绪而产生判断失误;他不会像病理医师因经验丰富与否而产生分歧。

通过深度学习特定智能的算法，运用AI对整张切片或者特定的组织、细胞类型进行大数据的计算，将组织中明显的特征转化为预测(如转移和复发)、分类(肿瘤分期、分级、鉴别诊断)。这使得能够基于组织学模式的精确定量来创建预测性的生物标记物，为肿瘤学家、病理学家为判断患者在预后、治疗效果等提供新的检测工具。同时基于深度学习以及强大的客观分析能力，AI还能发现被人类所遗漏的不易觉察的细节，特别是学习到病理切片分子层面上的特征。

尽管AI使得医学诊断变得不断完美，但它并不能将人类取而代之。毕竟，我们对病理这个职业倾注热情，我们在对待分析报告时能够深深考虑到病人的体会。同时由于医疗数据的限制以及临床高准确度的要求，AI在数字病理诊断过程中，仍然存在一些限制。如鉴别有丝分裂细胞或筛选良性组织，并且增强其执行如“癌症热点”的鉴定的能力。然后病理学家可以根据他们多年的训练和数字病理软件的洞察力做出诊断。人类病理学家可以检测出模型还没有训练的异常分类，如炎症过程、自身免疫疾病或其他类型的癌症。

在未来，某些医生的职责可能会转移，但人类医生并不会因此而消失，他们的技能、工作将扩展到哪些无法被AI所接管的领域。目前AI能够做的，是为我们提供一个专业的，私人助手，以辅助我们更高效、更快速、更准确的完成病理工作，进一步的提高病理诊断的效率与可靠度。 　　

整合数字病理环境，基于深度学习的算法，苏州贝斯派生物科技有限公司联合美国Indica Labs 公司推出了HALO数字病理图像分析平台。我们旨在处理数字病理图像分析以及基于图像的生物标记物分析，无论是针对明视场的HE染色，IHC标记，还是暗视场的IF标记，以及TMA分析、DNA/RNA ISH/FISH 分析，通过对典型区域切片进行训练学习，可精准快速的对ROI(Region of Interest)或全切片(Whole Slide Image)进行分析。　

于今年举办的CameLyon17病理图像诊断分析竞赛中，基于HALO Deep Learning 技术，HALO团队获得突出性的表现。该比赛主要基于深度学习算法来分析500张WSI的H&E乳腺癌淋巴结图像，并计算100个乳腺癌患者的TNM分析。HALO在所有参赛团队中，获得第三名的成绩，在所有的商业性参赛团队中，获得第一名的表现。癌症分期对于患者的预后及治疗至关重要，但对机器和病理学家而言，其是一项非常复杂的任务，自动化的评估解决方案将有望减少病理学家的工作量，同时降低诊断的主观性。HALO深度学习系统融合了多种神经网络技术，无缝集成到行业领先的数字病理平台HALO系统中。此外，在今年6月份上海举办的病理切片识别技术挑战赛中，贝斯派团队也获得了优异的成绩。

目前HALO平台正在被全世界各大的制药、生物技术、医疗健康和研究组织使用，包括卫材药业，默克，强生，辉瑞，诺华、阿斯利康等全球著名的公司，广泛的应用于神经科学、代谢组学、肿瘤学、毒理病理学等领域的全切片图像定量研究中。

针对不同的病理扫描图像，HALO能够提供Tissue Classifier，Area Quantification, Immue Cell Quantification, Single & Dual Stain IHC, Membrane IHC/IF, ISH/FISH Quantification, Tissue Microarray Segmentation等多种分析服务。　

贝斯派生物科技将会为中国用户提供基于AI的数字病理和精准医学完整解决方案。这些分析将进一步加速研究人员在药物病理、毒理，生物标记物的发现及其与药物的相关性，疾病发病机制，癌症患者的预后及药物治疗效果等方面研究。

（来源：中国经济网）