數(shù)字病理學現(xiàn)指用人工智能實現(xiàn)病理學圖像的檢測、分割、診斷和分析[1]。數(shù)字病理標志物是從病理組織的數(shù)字圖像中獲得的定量指標，為探索免疫細胞和腫瘤細胞間相互作用、與癌癥生物學關(guān)鍵行為之間的聯(lián)系提供新的見解。人工智能（AI）已廣泛應用于醫(yī)學影像圖像及病理圖像識別領(lǐng)域，提高了病理的數(shù)字化程度，可用于腫瘤分類診斷、分級、預后預測和治療。
隨著腫瘤精準醫(yī)療的發(fā)展，臨床對“金標準”病理診斷提出了更高要求，從單純的形態(tài)學分型、分期和侵襲、轉(zhuǎn)移等基本信息 到 需要確定分子分型、尋找藥物靶標（包括基因靶標和蛋白靶標）、判斷免疫狀態(tài)、微環(huán)境變化及通過觀察治療后反應判斷療效等一系列與功能相關(guān)的信息。因此需要更準確的生物標志物評估，數(shù)字病理逐步進入到數(shù)字智慧病理（數(shù)智病理）時代。數(shù)智病理系統(tǒng)可對大量的病理學數(shù)據(jù)進行分析和挖掘，發(fā)現(xiàn)疾病發(fā)生、發(fā)展和預后的規(guī)律和機制，為藥物研發(fā)提供數(shù)據(jù)支持和科學依據(jù)，加速藥物研發(fā)進程。
艾克發(fā)生物因勢而謀、應勢而動，隆重推出人工智能病理解決方案，搭配傳統(tǒng)病理學技術(shù)（IHC或HE）或多重免疫組化（mIHC）相關(guān)產(chǎn)品和服務，干、濕實驗結(jié)合，從樣本制備到圖像結(jié)果分析，形成真正的閉環(huán)解決方案。直接從數(shù)字病理圖像中利用AI算法迅速判斷出最有可能的整合診斷結(jié)果，為后續(xù)的診療決策提供支持。
艾克發(fā)-人工智能病理解決方案
（圖2. 人工智能病理解決方案）
該方案兼容大部分病理圖像（如HE，IHC，mIHC等），通過我司現(xiàn)有濕實驗平臺得到圖像后，結(jié)合多維臨床標簽進行算法開發(fā)構(gòu)建模型，結(jié)合深度學習，探尋圖像背后的奧秘，發(fā)現(xiàn)新型數(shù)字病理標志物（如TILs腫瘤浸潤淋巴細胞、免疫評分相關(guān)的數(shù)字標志物），從而在細胞或分子水平上理解腫瘤免疫微環(huán)境（TiME）。
（圖3. AI層次結(jié)構(gòu)。機器學習（ML）是AI的一個子集，它能夠從訓練數(shù)據(jù)中進行自我學習，但能力有限；深度學習（DL）是機器學習的一個子集[3]）
隨著首張病理AI三類醫(yī)療器械注冊證的落地，病理醫(yī)療AI行業(yè)迎來了里程碑式的突破進展。通過病理數(shù)據(jù)的AI建模實現(xiàn)對患者基因?qū)用娴念A測將是臨床落地的新方向。
2023年10月深圳先進院等開發(fā)的首個腦膠質(zhì)瘤數(shù)字病理整合診斷AI模型，有潛力在臨床場景中用于成人型彌漫性膠質(zhì)瘤的自動和公正分類，發(fā)表在Nature Communication上[4]。該模型學習包含病理形態(tài)學和潛在生物學線索的影像特征，直接輸出符合最新指南的整合診斷結(jié)果，對主要腫瘤類型的分類、類型內(nèi)腫瘤分級的識別，特別是在區(qū)分具有共同組織學特征的腫瘤基因型方面，精度達到可比擬人類病理學家的水平。
精準醫(yī)療、新藥開發(fā)，病理診斷的臨床作用和意義凸顯，當前腫瘤診斷病理的重點正從靶向治療轉(zhuǎn)移到TiME研究，需更多新技術(shù)手段破譯腫瘤細胞與TiME成分之間復雜的相互作用。數(shù)智病理市場潛力巨大，應用場景廣泛，將助力病理醫(yī)生和腫瘤醫(yī)生研究腫瘤進化、篩選新的靶點、開發(fā)新的藥物。
參考文獻：
1. Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019 May;20(5):e253-e261.
2. Baxi V, Edwards R, Montalto M, Saha S. Digital pathology and artificial intelligence in translational medicine and clinical practice. Mod Pathol. 2022 Jan;35(1):23-32.
3. https://www.infoworld.com/article/3339561/ai-machine-learning-and-deep-learning-everything-you-need-to-know.html
4. Wang W, Zhao Y, Teng L, et al. Neuropathologist-level integrated classification of adult-type diffuse gliomas using deep learning from whole-slide pathological images. Nat Commun. 2023;14(1):6359.
