【独家】获融资1500万，对话AI＋病理诊断顶级团队迪英加｜Xtecher特写

2017 年 6 月 27 日 Xtecher 安妮的盒子

 
             6月26日，迪英加科技完成来自将门创投等机构的1500万人民币天使轮融资。本篇，Xtecher独家对话迪英加创始人杨林博士，首谈他对AI应用于病理分析领域的行业观点，以及迪英加的产品化思路。

作者｜安妮的盒子

编辑｜甲小姐、小鱼

网址｜www.xtecher.com

微信公众号ID｜Xtecher

众所周知，病理诊断是医学诊断的“金标准”，是医生对病人进行正确治疗的基石，病理医生更素有“医生的医生”之称。

当下尝试用人工智能技术进行病理诊断的创业者不少，但很少有人能在计算机和医学两个专业性领域均有建树，杨林是其一。

作为美国佛罗里达大学生物医学工程系、电子与计算机工程系、计算机系三系终身教授，杨林不仅是计算机视觉、深度学习和数字病理学算法专家，还在病理科和放射科做过两年助理教授。

“迪英加”创始人兼董事长杨林

早在2005年，杨林就发表了一篇有关“计算机辅助诊断血癌”的文章。当时，深度学习和人工智能概念尚未普及，杨林十分确信人工智能技术将在病理诊断领域发挥不可估量的作用。

博士期间，杨林有幸师从鲁棒性计算机视觉（Robust Computer Vision）领域“教父级”的导师Peter Meer，以及数字病理学奠基人之一的David Foran ——前者是CVPR最佳论文奖、2010年 Longuet-Higgins过去10年计算机视觉领域杰出贡献奖以及IEEE fellow的获得者；后者则是新泽西癌症中心病理课终身教授及首席信息官（CIO）。

2009~2011年，杨林在新泽西癌症中心病理科和放射科担任2年助理教授的经历，使他获得了独特的专业领域经验，也成为这个领域难得的跨专业复合型专家，更让他坚定了自己的选择。

过去15年，杨林发表了100多篇文章，包括PAMI、ECCV、CVPR、MICCAI和AAAI等顶级计算机视觉和机器学习的国际会议和期刊。使杨林成为了世界上极少数同时在计算机视觉顶级盛宴CVPR进行大会演讲（oral presentation），在医学影像分析顶级年会MICCAI连续三年做基于机器学习的数字病理分析口头报告（oral presentation）并获2015年MICCAI最佳论文奖，同时参与发表医学领域影响因子为30的顶级期刊自然－医学（Nature Medicine ）和2017年分子治疗（Molecular Therapy）期刊封面文章的科学家。

杨林参与编著的基于深度学习的医学影像分析专著

中国病理界：

“没人干、没人会、没人学”

2016年，杨林在中国目睹了病理专家的低收入和强工作量之间的巨大反差。

在多家三甲医院里，病理医生每天需要看数百张切片，而根据切片的复杂程度，每个病例需要花费30~40分钟不等的时间。

腰椎病、视力下降、慢性神经损害等几乎成了病理医生标配的“职业病”。

“一张全场扫描的病理切片包含的信息量特别大，有十几亿像素点，人眼观察非常耗时，而且容易造成观察不全面或因过度劳累而降低判读准确率的问题。”杨林告诉Xtecher。不仅如此，医生看病理切片图还会受到一些主观因素的左右，如医生自身水平、经验积累，当下个人状态等。

此外，一个现实是：我国病理医生极度缺乏。据相关权威统计年鉴显示：我国病理科执业医师（含执业助理医师）只有不到1.5万人，与原卫生部制定的每100张床配备1~2名病理医生的标准差距悬殊，我国病理医生的缺口总数可达10万人。

杨林分析其原因：病理工作风险高、责任大，专业吸引力相对较低，且由于从业后工作强度太高，很多学病理的医生都没能坚持到最后。

另一个现实是：病理诊断不仅学起来难、做起来累，我国病理医生的收入还普遍偏低，远低于美国等西方发达国家。据杨林介绍，在美国，病理科医生的平均收入可达到年薪25万美金左右；而在中国的一线城市，一名刚刚入职的病理科医生年收入约6~8万元。

于是，许多人用9个字总结中国病理界：“没人干、没人会、没人学”。

每张病理切片图有十几亿像素点，并且每种疾病可能有上万种不同的变化，这些变化单凭人脑记忆是非常困难的

在我国，大概平均七万中国人拥有一位病理医生；而在美国，平均两千人一位病理医生——中国如果想达到美国这个数字，按照现在培养病理医生的速度，大约需要200年。

与中国病理科现状完全相反的，是病理在整个医疗体系链条中的重要性。

作为“生死判官”，给一个癌症患者做病理诊断，就是判断一个人的生死、一个家庭的幸福。病理科的诊断结果直接决定了对患者肿瘤良性和恶性的判断，进而影响病人的治疗方案，如放疗、化疗、切除以及保守治疗等。

角色如此重要，供求严重失衡。

在美做教授期间，不断有各种数字病理分析需求主动找上门来，请杨林博士帮忙提供解决方案。仅仅这样似乎是不够的。杨林不断思考：如何真正解决中国病理诊断的行业难题？

多年的经验告诉杨林：在一个定义非常明确的问题上，通过向顶级病理学家不断学习，机器学习可以交付足够好的表现。

计算机是客观的，它可以昼夜无休地精准工作，不会出现因主观意识、经验不足或者疲劳作业等原因而导致的误诊。

计算机同时拥有人类无法比拟的记忆力和运算能力。“机器学习可以缩短病理诊断的时间、提升诊断效率，最主要的是，它还能提供更加准确的诊断结果。人工智能的有效使用可以真正帮助病理医生提升判读水平，从精准诊断开始，真正实现精准医疗。”杨林告诉Xtecher。

2016年年底，杨林找到了李康。

李康是清华大学工学学士、美国伊利诺伊大学工学博士，目前为美国罗格斯大学工业工程系助理教授，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，青年国家千人入选者；也是利用人工智能和深度学习技术处理医学影像的行业先驱和国际知名专家。

2017年1月27日，杨林和李康两位旅美青年科学家领衔创建杭州迪英加科技有限公司，致力于将计算机视觉和深度学习技术用于医疗影像辅助诊断。

如今，团队已有包含12名博士的20多名研发人员。整个团队累计论文引用超过1万多次，获得2015 MICCAI 最佳论文奖，并应邀在2017年夏威夷召开的CVPR 和 2017年在圣地亚哥召开的世界病理大会做口头报告（oral presentation）和大会演讲，汇报自己在深度学习和数字病理方面的最新成果。

“以神经内分泌瘤病理诊断为例，一些免疫组化的定量分析经常需要一个小时，使用迪英加的技术，对神经内分泌瘤图像分析模块结果的运行时间仅为5秒钟。”

如今，杨林和他的迪英加团队专门提供基于人工智能的用于精准医疗的医学影像大数据分析解决方案，例如基于病理图片分析的癌症诊断和分级等。

英加自动胰腺癌图像分析模块运行结果：所有癌细胞都被准确检测和分割出来，其准确程度为99%

医生位置不会被AI取代

AI来做病理诊断，业界难免有担忧，杨林对此十分理解。

首先的担忧来自技术水平是否可以达到人们期待的诊断水平？尽管“看片”是重复性较高的工作，非常适合计算机，但想要做到全面、准确、高效，并非易事。一张压缩过的图片有几个G大小，这对计算能力也是非常大的挑战。

杨林表示，近年来，随着算法提升，机器处理病理切片分析的能力已经大大提高了。

“例如在免疫组化的分析中，病理学家一般只能靠自己的经验估算，如果需要对整个全场图像中的阳性染色做仔细的定量计算，所需时间至少为1个小时，”杨林告诉Xtecher，“而迪英加开发的基于深度学习的快速图像分析算法分析一个热点区域仅需5秒，做出最后判读的时间总共不超过1分钟。”

在此方面，杨林向Xtecher讲述了迪英加的优势。

虽然市场上存在一些自动或者半自动软件，但通常这些软件在区分同为阳性染色的癌细胞和非癌细胞（如淋巴细胞）上都遇到了很多的困难。而使用迪英加开发的数字病理智能分析系统，计算机可以精准地区分不同种类的细胞，从而得到更准确的Ki67计数。

最终，杨林团队开发的Ki67计数软件 “错误率只有0.5%”，而传统的分析错误率在5~10%左右——这项工作也发表在了2014年的权威IEEE Transaction的期刊里。

迪英加团队研发的模型和算法可以精准、快速、智能地分析各类医学影像、计算关键指标参数，并生成全自动数据分析和报告，还能为病理医生提供如乳腺癌、胃癌、前列腺癌等7种癌症的智能诊断系统。

另一个业界普遍的担心就是“计算机和人类医生各自的角色”——对于这个问题，杨林从不担心。

“我时常会思考，身为技术工作者，我会不会过分强调技术本身而忽略人所处的位置？” 他说，“由于我在病理科和放射科两年的工作经历，我非常地理解病理医生这个群体，事实上，人工智能永远是人类智慧的一个补充，利用AI可以帮助病理医生更快速地做出更准确的判断，让病理医生的工作更加完美，起到正向的辅助作用。数字病理诊断从来都不是一场人机大战，医生的位置不会被AI取代。我们应当为病理医生开发最好的工具，来更好的起到帮助病人的终极目的。 ”

韧性比速度更重要

创业以来潜心研发产品的每一刻，都让迪英加团队感受到了身上的一份使命感。

杨林介绍，目前，迪英加智能病理分析系统已进入近10家国内的医疗机构，基于迪英加的独特技术，全场扫描图像的计算机自动处理和判读只需几十秒钟，和国际同类产品相比——比如Aperio 以及 Definience的数字病理自动分析软件（需要5~10分钟），迪英加帮助病理医生大大提高了诊断效率。

杨林深刻地感受到，以人工智能辅助病理诊断是不可逆转的时代发展方向，“可以真正帮助到病人，提高人类健康水平”。

所有过去的经历教给杨林，相较速度而言，韧性更加重要。他告诉Xtecher，通常自己做事都是以五年为一个单位，而不是以月份或是星期。“要成就大事就好比跑一场马拉松，要做好长线的准备。”

“当我第一次在医院见到病人的时候，我明白我看到的数字切片不是简单的像素组合，而是有生命力的，病人期待我们仔细分析所有的线索，准确地给出专业的判断。”杨林时刻提醒自己，科技的最终目的是为人类服务，“我愿意和伟大的工作在第一线的病理医生紧密合作，和数字病理领域的杰出同行们一起努力，开发出最高效的人工智能大脑，来完成这件真正有影响力的工作。”