癌症，众病之王。2018年，中国癌症发病率以及死亡率全球第一。随着中国老龄化进程的加剧，癌症的发病率继续攀升。癌症，将成为未来每个家庭都可能面临的问题。中国已经进入了一个全民抗癌的阶段。

在临床上，病理诊断是癌症判断的金标准。随着恶性肿瘤的诊断和治疗进入了分子层面，病理诊断可以通过免疫组织化学和荧光原位杂交等技术对肿瘤细胞的蛋白表达和基因扩增进行有效的评价。然而，病理精准量化评价的难度以及中国病理医生巨大的需求缺口，严重制约了中国精准医疗的发展。

为解决上述问题，专家提出，当丰富的数字病理图像数据与AI等新兴的计算机算法和计算机强大的运算能力相结合后，将会产生大量用于数字切片的辅助诊断软件，计算机能够自动检测数字切片中的病变区域并定量评估各项指标，帮助病理医生做出快速、准确、重复性高的病理诊断。

“目前，大多数AI公司的产品研发方向集中在宫颈细胞学辅助分析和少数热门的免疫组化指标的量化分析领域，对其他领域的研发相对较少。然而在实际的病理诊断和科研工作中，仍存在大量病理分析需求并没有被满足。” 成都知识视觉科技的创始人向飞在采访中说道：“因此，我们致力于打造一个无代码化病理AI应用研发云平台，解决病理AI应用研发难度大、硬件投入大、沟通和数据标注成本高等问题，让病理医生可以根据实际需求无需编码就能实现病理AI应用的研究工作。”

“AI VIEWER利用数据加密和授权使用的机制，既能保障用户数据安全，又可以促进多方合作交流以及数据共享。通过收集病理AI辅助分析临床应用需求的共性，将病理AI应用研发中所涉及的技术标准化、模块化，实现了病理AI应用研发所需的数据管理、图像标注、算法开发和应用发布的全流程以及组织学病理的定性、定位、定量以及可视化、数字化分析。” 成都知识视觉科技的CTO王一哲博士在采访中说道，“病理医生只需拖动、选择相应模块与功能，就可以生成AI应用辅助病理诊断工作。”

AI VIEWER

在病理AI应用研发领域，AI VIEWER有着完善、独特的技术积累：

1 基于深度学习的病理图像分类、目标检测、图像分割以及不良区域检测。

2 基于深度学习的数字病理图像的超分辨率的放大技术，实现了病理图像扫片的20倍的镜头代替40倍镜头的真实应用场景，从而减小了3/4的存储空间以及传输时间，大大提高了远程会诊的能力。

3 基于深度学习的多张数字病理图像的配准与连片分析，解决了临床上病理图像多重染色以及对biomarkers联合分析的难题。

4 基于深度学习的染色归一化技术和颜色通道的分离技术，消除了因试剂的批次、染色时间、温度以及扫描仪的不同而引起的病理切片染色程度不一。

5 基于深度学习的AI辅助病理图片标注系统，大大提升了标注的效率，降低了标注的时间成本。

6 针对病理图像小样本的特殊性，进行了迁移学习、自动增量学习以及仿真。从而保障了在小样本的数据集上结果的准确性。

AI VIEWER的技术积累

“在罗氏诊断以及华西医院病理研究室的帮助和支持下，我们已经完成了无代码化病理AI应用研发云平台AI VIEWER 1.0版本的开发。” 成都知识视觉科技的CTO王一哲博士在采访中说道，“目前AI VIEWER 1.0版本已经应用到了乳腺癌Her2以及膀胱癌PD-L1的AI辅助量化评价研究中。”

2018年10月11～14日，中华医学会病理学分会第二十四次学术会议暨第八届中国病理年会在四川省成都市举行。由成都知识视觉科技有限公司自主研发的病理AI应用研发云系统1.0版本在中国病理年会上罗氏诊断的展台上首次公开亮相，此次发布获得业界和同行的一致肯定。

携手罗氏，知识视觉首次发布病理AI应用研发云平台

AI VIEWER可以广泛应用于新药研发所涉及的病理分析工作中，致力于提升药物研发CRO的工作效率与质量。动脉网了解到，目前，中国的CRO 只占到全球的2%，但是依然有较大的市场空间。

“未来我们希望借助罗氏诊断的品牌和渠道向全球推广我们的平台及服务。”CEO向飞提及，“在国内，我们已和罗氏诊断、罗氏制药、观合医药、华西医院病理研究室、复旦肿瘤医院病理科开展相关业务合作。”

在多场景下，AI VIEWER都有其用武之地：AI辅助膀胱癌PD-L1、乳腺癌Her2定量分析、自动化甲状腺组织定位定性分析 、检测神经母细胞瘤瘤内出血位置并计算面积、骨髓象组织学分析、肝小叶肝细胞异常判定分析等。

AI VIEWER用于乳腺癌HER2研究

在新药研发过程中，AI VIEWER可以实现数字病理图像的辅助量化分析，为药物研究人员提供可视化的预测数据，实现病理分析过程可追溯、质量保障及质量控制，降低药物的研发成本和临床试验风险，提升药物的市场竞争力。

同时，基于定量分析的病理诊断结果为新药研究人员提供了智能辅助决策，确定病理数据特征与预后之间的相关性，提高病理切片定量分析的效率、进度以及保证组织病理学分析的一致性，可以用于受试者的筛选以及伴随诊断cutoff值的确定。

在此基础上，实现深度挖掘病理图像的模式与量化特征，推动多组学交叉研究的产生，将病理组学与基因组学、影像组学形成多组学交互式诊断体系，将病理形态学信息与基因分子信息、解剖影像和功能影像信息相互比对、融合，从而发现人眼不易察觉的细节以及新的特征、模式和主观经验难以总结的规律，推动精准诊断的发展。

提到未来，知识视觉科技坚信：“专注创新研发，静心沉淀的我们，终将厚积薄发，成为AI辅助病理诊断领域的开拓者。”