獲融資1500萬，對話AI＋病理診斷頂級團隊迪英加

科技 06-27

6月26日，迪英加科技完成來自將門創投等機構的1500萬人民幣天使輪融資。本篇，Xtecher獨家對話迪英加創始人楊林博士，首談他對AI應用於病理分析領域的行業觀點，以及迪英加的產品化思路。

作者｜安妮的盒子

編輯｜甲小姐、小魚

微信公眾號ID｜Xtecher

眾所周知，病理診斷是醫學診斷的「金標準」，是醫生對病人進行正確治療的基石，病理醫生更素有「醫生的醫生」之稱。

當下嘗試用人工智慧技術進行病理診斷的創業者不少，但很少有人能在計算機和醫學兩個專業性領域均有建樹，楊林是其一。

作為美國佛羅里達大學生物醫學工程系、電子與計算機工程系、計算機系三系終身教授，楊林不僅是計算機視覺、深度學習和數字病理學演算法專家，還在病理科和放射科做過兩年助理教授。

「迪英加」創始人兼董事長楊林

早在2005年，楊林就發表了一篇有關「計算機輔助診斷血癌」的文章。當時，深度學習和人工智慧概念尚未普及，楊林十分確信人工智慧技術將在病理診斷領域發揮不可估量的作用。

博士期間，楊林有幸師從魯棒性計算機視覺（Robust Computer Vision）領域「教父級」的導師Peter Meer，以及數字病理學奠基人之一的David Foran ——前者是CVPR最佳論文獎、2010年 Longuet-Higgins過去10年計算機視覺領域傑出貢獻獎以及IEEE fellow的獲得者；後者則是新澤西癌症中心病理課終身教授及首席信息官（CIO）。

2009~2011年，楊林在新澤西癌症中心病理科和放射科擔任2年助理教授的經歷，使他獲得了獨特的專業領域經驗，也成為這個領域難得的跨專業複合型專家，更讓他堅定了自己的選擇。

過去15年，楊林發表了100多篇文章，包括PAMI、ECCV、CVPR、MICCAI和AAAI等頂級計算機視覺和機器學習的國際會議和期刊。使楊林成為了世界上極少數同時在計算機視覺頂級盛宴CVPR進行大會演講（oral presentation），在醫學影像分析頂級年會MICCAI連續三年做基於機器學習的數字病理分析口頭報告（oral presentation）並獲2015年MICCAI最佳論文獎，同時參與發表醫學領域影響因子為30的頂級期刊自然－醫學（Nature Medicine ）和2017年分子治療（Molecular Therapy）期刊封面文章的科學家。

楊林參與編著的基於深度學習的醫學影像分析專著

中國病理界：

「沒人干、沒人會、沒人學」

2016年，楊林在中國目睹了病理專家的低收入和強工作量之間的巨大反差。

在多家三甲醫院裡，病理醫生每天需要看數百張切片，而根據切片的複雜程度，每個病例需要花費30~40分鐘不等的時間。

腰椎病、視力下降、慢性神經損害等幾乎成了病理醫生標配的「職業病」。

「一張全場掃描的病理切片包含的信息量特別大，有十幾億像素點，人眼觀察非常耗時，而且容易造成觀察不全面或因過度勞累而降低判讀準確率的問題。」楊林告訴Xtecher。不僅如此，醫生看病理切片圖還會受到一些主觀因素的左右，如醫生自身水平、經驗積累，當下個人狀態等。

此外，一個現實是：我國病理醫生極度缺乏。據相關權威統計年鑒顯示：我國病理科執業醫師（含執業助理醫師）只有不到1.5萬人，與原衛生部制定的每100張床配備1~2名病理醫生的標準差距懸殊，我國病理醫生的缺口總數可達10萬人。

楊林分析其原因：病理工作風險高、責任大，專業吸引力相對較低，且由於從業後工作強度太高，很多學病理的醫生都沒能堅持到最後。

另一個現實是：病理診斷不僅學起來難、做起來累，我國病理醫生的收入還普遍偏低，遠低於美國等西方發達國家。據楊林介紹，在美國，病理科醫生的平均收入可達到年薪25萬美金左右；而在中國的一線城市，一名剛剛入職的病理科醫生年收入約6~8萬元。

於是，許多人用9個字總結中國病理界：「沒人干、沒人會、沒人學」。

每張病理切片圖有十幾億像素點，並且每種疾病可能有上萬種不同的變化，這些變化單憑人腦記憶是非常困難的

在我國，大概平均七萬中國人擁有一位病理醫生；而在美國，平均兩千人一位病理醫生——中國如果想達到美國這個數字，按照現在培養病理醫生的速度，大約需要200年。

與中國病理科現狀完全相反的，是病理在整個醫療體系鏈條中的重要性。

作為「生死判官」，給一個癌症患者做病理診斷，就是判斷一個人的生死、一個家庭的幸福。病理科的診斷結果直接決定了對患者腫瘤良性和惡性的判斷，進而影響病人的治療方案，如放療、化療、切除以及保守治療等。

角色如此重要，供求嚴重失衡。

在美做教授期間，不斷有各種數字病理分析需求主動找上門來，請楊林博士幫忙提供解決方案。僅僅這樣似乎是不夠的。楊林不斷思考：如何真正解決中國病理診斷的行業難題？

多年的經驗告訴楊林：在一個定義非常明確的問題上，通過向頂級病理學家不斷學習，機器學習可以交付足夠好的表現。

計算機是客觀的，它可以晝夜無休地精準工作，不會出現因主觀意識、經驗不足或者疲勞作業等原因而導致的誤診。

計算機同時擁有人類無法比擬的記憶力和運算能力。「機器學習可以縮短病理診斷的時間、提升診斷效率，最主要的是，它還能提供更加準確的診斷結果。人工智慧的有效使用可以真正幫助病理醫生提升判讀水平，從精準診斷開始，真正實現精準醫療。」楊林告訴Xtecher。

2016年年底，楊林找到了李康。

李康是清華大學工學學士、美國伊利諾伊大學工學博士，目前為美國羅格斯大學工業工程系助理教授，生物醫學工程系和計算機系博士生導師以及新澤西醫學院兼職教授，青年國家千人入選者；也是利用人工智慧和深度學習技術處理醫學影像的行業先驅和國際知名專家。

2017年1月27日，楊林和李康兩位旅美青年科學家領銜創建杭州迪英加科技有限公司，致力於將計算機視覺和深度學習技術用於醫療影像輔助診斷。

如今，團隊已有包含12名博士的20多名研發人員。整個團隊累計論文引用超過1萬多次，獲得2015 MICCAI 最佳論文獎，並應邀在2017年夏威夷召開的CVPR 和 2017年在聖地亞哥召開的世界病理大會做口頭報告（oral presentation）和大會演講，彙報自己在深度學習和數字病理方面的最新成果。

「以神經內分泌瘤病理診斷為例，一些免疫組化的定量分析經常需要一個小時，使用迪英加的技術，對神經內分泌瘤圖像分析模塊結果的運行時間僅為5秒鐘。」

如今，楊林和他的迪英加團隊專門提供基於人工智慧的用於精準醫療的醫學影像大數據分析解決方案，例如基於病理圖片分析的癌症診斷和分級等。

英加自動胰腺癌圖像分析模塊運行結果：所有癌細胞都被準確檢測和分割出來，其準確程度為99%

醫生位置不會被AI取代

AI來做病理診斷，業界難免有擔憂，楊林對此十分理解。

首先的擔憂來自技術水平是否可以達到人們期待的診斷水平？儘管「看片」是重複性較高的工作，非常適合計算機，但想要做到全面、準確、高效，並非易事。一張壓縮過的圖片有幾個G大小，這對計算能力也是非常大的挑戰。

楊林表示，近年來，隨著演算法提升，機器處理病理切片分析的能力已經大大提高了。

「例如在免疫組化的分析中，病理學家一般只能靠自己的經驗估算，如果需要對整個全場圖像中的陽性染色做仔細的定量計算，所需時間至少為1個小時，」楊林告訴Xtecher，「而迪英加開發的基於深度學習的快速圖像分析演算法分析一個熱點區域僅需5秒，做出最後判讀的時間總共不超過1分鐘。」

在此方面，楊林向Xtecher講述了迪英加的優勢。

雖然市場上存在一些自動或者半自動軟體，但通常這些軟體在區分同為陽性染色的癌細胞和非癌細胞（如淋巴細胞）上都遇到了很多的困難。而使用迪英加開發的數字病理智能分析系統，計算機可以精準地區分不同種類的細胞，從而得到更準確的Ki67計數。

迪英加團隊研發的模型和演算法可以精準、快速、智能地分析各類醫學影像、計算關鍵指標參數，並生成全自動數據分析和報告，還能為病理醫生提供如乳腺癌、胃癌、前列腺癌等7種癌症的智能診斷系統。

另一個業界普遍的擔心就是「計算機和人類醫生各自的角色」——對於這個問題，楊林從不擔心。

「我時常會思考，身為技術工作者，我會不會過分強調技術本身而忽略人所處的位置？」他說，「由於我在病理科和放射科兩年的工作經歷，我非常地理解病理醫生這個群體，事實上，人工智慧永遠是人類智慧的一個補充，利用AI可以幫助病理醫生更快速地做出更準確的判斷，讓病理醫生的工作更加完美，起到正向的輔助作用。數字病理診斷從來都不是一場人機大戰，醫生的位置不會被AI取代。我們應當為病理醫生開發最好的工具，來更好的起到幫助病人的終極目的。」

韌性比速度更重要

創業以來潛心研發產品的每一刻，都讓迪英加團隊感受到了身上的一份使命感。

楊林介紹，目前，迪英加智能病理分析系統已進入近10家國內的醫療機構，基於迪英加的獨特技術，全場掃描圖像的計算機自動處理和判讀只需幾十秒鐘，和國際同類產品相比——比如Aperio 以及 Definience的數字病理自動分析軟體（需要5~10分鐘），迪英加幫助病理醫生大大提高了診斷效率。

楊林深刻地感受到，以人工智慧輔助病理診斷是不可逆轉的時代發展方向，「可以真正幫助到病人，提高人類健康水平」。

所有過去的經歷教給楊林，相較速度而言，韌性更加重要。他告訴Xtecher，通常自己做事都是以五年為一個單位，而不是以月份或是星期。「要成就大事就好比跑一場馬拉松，要做好長線的準備。」

「當我第一次在醫院見到病人的時候，我明白我看到的數字切片不是簡單的像素組合，而是有生命力的，病人期待我們仔細分析所有的線索，準確地給出專業的判斷。」楊林時刻提醒自己，科技的最終目的是為人類服務，「我願意和偉大的工作在第一線的病理醫生緊密合作，和數字病理領域的傑出同行們一起努力，開發出最高效的人工智慧大腦，來完成這件真正有影響力的工作。」