“病人对应病理医生的比例，中美之间的对比是20:1。”杭州迪英加科技有限公司（下称“迪英加”）创始人兼CEO杨林告诉亿欧大健康，比如国内的病理医生每天要看一两百张切片，而美国的病理医生只要看二三十张就够了。

迪英加成立于2017年，是一家提供基于AI处理病理图像（癌症诊断和分级）、辅助医生病理诊断服务的公司。其总部在杭州，也在上海、美国设有分公司，业务范围面向全球。今年6月，它刚获得超亿元的B轮融资。

重复性工作、量多人少、效率较低是病理诊断的痛点。AI技术，特别是具有深度学习支撑的AI或让病理检查变得更智能也更简单：AI以迅速、标准化的方式处理数字化的病理切片，对病理切片进行自动勾画、识别，并以结构化的语言提出辅助诊断的建议。

杨林表示：“AI先做初筛，只把它判断不了的疑难病例交给医生看，这样可以有效的降低医生的阅片量，同时提升诊断的精确度。”正是看到了AI在病理领域的应用前景，以及将学有所长落地的强烈信念，2017年杨林决定辞去美国佛罗里达大学生物医药工程系终身教授和博导的职位，与美国罗格斯大学工业工程系副教授、生物医学工程系和计算机系博士生导师以及新泽西医学院兼职教授李康博士共同创立了迪英加，开启从学界到产业的创业之路。

两位创始人在计算机视觉、深度学习和数字病理方向研究超过15年，其中杨林师从多位计算机视觉和病理学领域的世界级大师，包括数字病理学奠基人之一的David Foran、鲁棒性计算机视觉领域“教父级”的导师Peter Meer，以及生物信息学创始人美国科学院院士Casimir Kulikowski等。而迪英加背后的研发团队成员超1/3拥有海外博士学位，且多数拥有多个专业背景。

迪英加融资的脚步跑在国内同赛道企业的前面。据悉，目前国内专注AI病理的相关企业最快也只进行到了A轮。据杨林透露，迪英加将于今年年底或明年年初开启新一轮C轮次的融资。

AI落脚“病理”

AI在病理诊断中的应用主要包括：收集数据并标注，AI模型充分学习并对样本进行识别分析，输出辅助判读结果。其中在数据标注环节，需要病理专家进行高质量的标注，而AI模型会先高效区分阳性细胞密度较高的样本并进行精准识别。此外，AI还需选取一些可疑的局部切片给病理医生，做最后的复阅诊断。

针对以上整个过程，迪英加开发了软硬一体化的D-Path系列产品组合、建设AI病理的整套方案。该方案包含了提供高压缩比例云存储解决方案的病理星球（D-PathPlanet）、高通量病理辅助诊断系统D-PathAI、国内首款智能显微镜智睫（D_CleverEye）等。

据杨林介绍，病理星球主打大数据核心存储，主要存储数字病理切片。目前该平台共有90万例（一个病人为一例）病理样本，其中样本的数据标注主要由国内三级甲等医院的病理医生负责。“迪英加建立了严格的训练/测试数据质控流程，三个医生同时对一个病理切片进行诊断，如果三个医生同样判断为癌症，则标注为’癌症’。只要其中有一位不赞成，该切片就会被送至我们聘请的专家委员进行二次投票表决。”

有了标注好的样本，接下来就是AI模型对病灶的识别和分析，此时算法是核心。传统用深度学习算法多数是剪切切片，预测单张图块的肿瘤情况，但忽视周边区域会让结果产生较大误差。

迪英加的D-PathAI辅助诊断系统可对病理图像进行自动检测-识别-分割-判读：先对全场图像建立金字塔结构，然后对不同层级进行判读并充分考虑背景信息，模拟病理医生多尺度观察肿瘤区域的实际操作。据其官网介绍，其算法5s内能处理1亿像素，1分钟内即可完成分析15×15mm的细胞涂片/组织切片；该AI算法鲁棒性强（鲁棒性是指控制系统在一定参数摄动下维持某些性能的特性），能精准获取细胞定位等。

以宫颈细胞图片为例，配合高通量全场数字切片扫描仪，迪英加开发的D-PathAI能在5-10秒内自动完成宫颈细胞学初筛，系统判读的准确率可以达到95%以上。杨林表示，该平台的敏感性大部分都在99.5%以上，特异性基本上约80%左右。

迪英加推出的智睫系统 D-CleverEye能实时读取显微镜下的视野，根据其公开资料，该系统通过AI算法进行分析，迅速给出提示，几乎无延迟。此外，迪英加还推出了远程病理互联系统D-PathConnect，帮助病理医生突破地域限制，进行分级诊疗。

整体化方案筑起竞争壁垒

谈及迪英加的优势，杨林认为其产品矩阵为下一代数字化病理科提供了一整套的解决方案，在通用性和齐全性上有较高的竞争壁垒。

首先在通用性上，迪英加目前的产品有较广泛的适用性。比如D-CleverEye能兼容市面上几乎所有硬件厂商（病理产业链上游企业）的产品，比如国外莱卡生物、滨松光子学和国内的江丰生物、麦克奥迪医疗等全切片成像系统/设备。

其次在齐全性上，迪英加以D-PathAI人工智能病理辅助诊断系统为核心，其产品覆盖了细胞病理、组织病理、分子病理和免疫组化四大模块内容。“这四大模块涵盖了病理科所有可能遇到的500多种不同的癌症检测，免疫组化和分子病理也将是我们未来发展的重点。 ”杨林解释道。

其中迪英加在细胞病理方向开发了20余个智能分析模块，可协助诊断胃癌、肺癌、膀胱癌、乳腺癌、肾癌、前列腺癌等癌症分型。在分子病理方面，迪英加能运用人工智能对探头液样品、血细胞以及像宫颈切片等进行判读。相比之下，国外同赛道企业AIPath和Paige AI约有十几个模块，目前也主要侧重于1-2个癌种的AI病理检测，比如乳腺癌。

丰富的模块成为迪英加撬动商业化的有力触角。自去年10月底，该公司的一系列产品如智能显微镜、各种款式扫描仪、病理诊断图像处理软件、病理科信息系统和远程会诊系统等软硬件产品在2019年10月陆续获得国家药品监督管理局（NMPA）批准上市，目前迪英加的产品已经进入158家医疗机构，其中80%是医院。

据杨林介绍，迪英加将只针对医院采取模块化销售的方式：医院病理科可以选择购买最适合自己的模块，并能在未来扩充模块。“今年能覆盖到300家医院，明年能够覆盖到500-1000家以上的医院。”

另外，很多客户能够在迪英加这里找到了一些偏小众化癌种的模块。杨林举了个例子：“有一家药厂来找我们看能否做做神经内分泌瘤的病理诊断，这是一个相对比较罕见的癌种，结果客户发现迪英加确实已经有开发完成的神经内分泌瘤的分析模块。”此外，迪英加还支持为用户提供一些定制化服务，比如不仅做简单的良性筛查，还能做肿瘤的分级和分型。

目前国内还没有一个AI辅助诊断的方案获批。迪英加正在积极探索申报病理AI诊断第Ⅲ类医疗器械注册证，杨林推测将在未来2-3年内获批。

为了第Ⅲ医疗器械注册证前瞻性的审查以及避免医源性风险，需要证明AI决策流程的可解释性。为此，2019年，迪英加科技CEO杨林所率领的团队在《Nature Machine Intelligence》上发布了名为《Pathologist-level Interpretable Whole-slide Cancer Diagnosis with Deep Learning》的论文，提出了一项用于AI病理诊断解释的方案。

这次实验的每个步骤都可由AI提供决策依据，通过将医生的推理步骤模块化，从而模拟推理的过程。这是全球首篇发表在自然子刊上的关于讨论病理图像分析中的人工智能可解释性问题的专著。

百亿市场风口，AI病理有机会也有挑战

2020年世界病理学大会报告显示，预计到2024年，病理学市场规模将从2019年的303亿美元达到444亿美元，从2019年到2024年的复合年增长率为6.1%。具体到国内，据西部证券的预测，目前我国病理行业的潜在市场超 300亿元，其中细胞病理宫颈癌筛查潜在市场超200亿。

早在几年前，该赛道可观的市场潜力吸引了资本的注意，近几年它们占领标的企业的动作愈发频繁。2017-2020年，3年间已有近40起融资事件，且有逐年递增的走向。目前，AI病理国外企业融资最快的已到B+轮。

资本对AI病理赛道的加持，不仅是看到了数字化病理的“蓝海”机会，也看到了它在新药研发领域的想象空间。

借助AI在病理上的应用，研究人员能迅速精确地获取一段时间内切片的病变细胞数量、程度的数目及变化情况，观察出临床实验中的新药对病灶产生的影响。接下来，研究人员甚至能利用AI观察动物受药后的组织细胞变化状况用以指导药物研发。据杨林介绍，迪英加和阿斯利康中国在PD-L1人工智能检测的研发上已经展开了深度的合作。

另外，AI病理还能拓展到一些癌症的早筛项目中，比如乳腺癌、宫颈癌。

即便充满机会，但不可忽视的是AI病理创业门槛颇高。首先它需要交叉学科背景，从迪英加的团队上就能看出这一点。杨林介绍，迪英加的团队基本上都是跨专业的复合人才。“不仅是懂计算机，你还要去懂生物和医学，特别是病理。”

其次，和CT/X光影像数据相比，病理数据本来就少。国内的数据库更加不公开，多数存在“数据孤岛”的现象，大部分医疗数据存储于医院以及第三方检验机构，并且信息安全共享机制欠缺。另外，海量标准化数据积累下的算法也是AI病理诊断的关键一环。未来，谁有海量的数据以及更精进、鲁棒性更好的算法，谁就可能最早抵达“最后一公里”的终点。

相对于影像检查的自动化，病理检查就显得有些古老，目前病理诊断的全程还主要依靠显微镜下人眼的观察。在肿瘤诊断上，临床医生对于患者做出的治疗措施，80％受病理学报告的影响。因此，病理医生也被称作临床诊断中“说最后一句话的人”同时也被称为“医生的医生”。

谈及AI病理是否会替代病理医生，杨林表示否定。“我不认为（AI病理）最终是要去取代病理医生。医疗的所有产品都是医生的工具，提高工作效率和准确率，辅助做出判断，更好地为广大的癌症患者提供更优良和精准的服务。”

“AI+病理”仍是蓝海，大规模癌症初筛是趋势丨专访迪英加CEO