数字病理学现指用人工智能实现病理学图像的检测、分割、诊断和分析[1]。数字病理标志物是从病理组织的数字图像中获得的定量指标，为探索免疫细胞和肿瘤细胞间相互作用、与癌症生物学关键行为之间的联系提供新的见解。人工智能（AI）已广泛应用于医学影像图像及病理图像识别领域，提高了病理的数字化程度，可用于肿瘤分类诊断、分级、预后预测和治疗。
随着肿瘤精准医疗的发展，临床对“金标准”病理诊断提出了更高要求，从单纯的形态学分型、分期和侵袭、转移等基本信息 到 需要确定分子分型、寻找药物靶标（包括基因靶标和蛋白靶标）、判断免疫状态、微环境变化及通过观察治疗后反应判断疗效等一系列与功能相关的信息。因此需要更准确的生物标志物评估，数字病理逐步进入到数字智慧病理（数智病理）时代。数智病理系统可对大量的病理学数据进行分析和挖掘，发现疾病发生、发展和预后的规律和机制，为药物研发提供数据支持和科学依据，加速药物研发进程。
摩根娱乐生物因势而谋、应势而动，隆重推出人工智能病理解决方案，搭配传统病理学技术（IHC或HE）或多重免疫组化（mIHC）相关产品和服务，干、湿实验结合，从样本制备到图像结果分析，形成真正的闭环解决方案。直接从数字病理图像中利用AI算法迅速判断出最有可能的整合诊断结果，为后续的诊疗决策提供支持。
摩根娱乐-人工智能病理解决方案
（图2. 人工智能病理解决方案）
该方案兼容大部分病理图像（如HE，IHC，mIHC等），通过我司现有湿实验平台得到图像后，结合多维临床标签进行算法开发构建模型，结合深度学习，探寻图像背后的奥秘，发现新型数字病理标志物（如TILs肿瘤浸润淋巴细胞、免疫评分相关的数字标志物），从而在细胞或分子水平上理解肿瘤免疫微环境（TiME）。
（图3. AI层次结构。机器学习（ML）是AI的一个子集，它能够从训练数据中进行自我学习，但能力有限；深度学习（DL）是机器学习的一个子集[3]）
随着首张病理AI三类医疗器械注册证的落地，病理医疗AI行业迎来了里程碑式的突破进展。通过病理数据的AI建模实现对患者基因层面的预测将是临床落地的新方向。
2023年10月深圳先进院等开发的首个脑胶质瘤数字病理整合诊断AI模型，有潜力在临床场景中用于成人型弥漫性胶质瘤的自动和公正分类，发表在Nature Communication上[4]。该模型学习包含病理形态学和潜在生物学线索的影像特征，直接输出符合最新指南的整合诊断结果，对主要肿瘤类型的分类、类型内肿瘤分级的识别，特别是在区分具有共同组织学特征的肿瘤基因型方面，精度达到可比拟人类病理学家的水平。
精准医疗、新药开发，病理诊断的临床作用和意义凸显，当前肿瘤诊断病理的重点正从靶向治疗转移到TiME研究，需更多新技术手段破译肿瘤细胞与TiME成分之间复杂的相互作用。数智病理市场潜力巨大，应用场景广泛，将助力病理医生和肿瘤医生研究肿瘤进化、筛选新的靶点、开发新的药物。
参考文献：
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.
