作為醫生的醫生，病理診斷幾乎可以說是保證患者受到正確診療的最後一道關卡。而做出病理診斷的，是每天埋頭盯著顯微鏡下方寸世界的病理醫生們。由於病理醫生的缺乏而導致的超高工作負荷，以及病理本身的諸多限制因素，及時準確的做出病理診斷事實上面臨著巨大的挑戰。那麼如何擺脫這一困境呢？

以色列的Maccabi病理中心選擇了發展數字病理，透過打造數字化的診斷流程並應用AI複檢系統來應對挑戰。Maccabi是以色列最大的醫療集團，其中央病理中心每年為350家診所和醫院提供約140000次病理診斷，其中約有700例（超過8000張切片）前列腺穿刺活檢和7000例（超過35000張切片）乳腺穿刺。這些診斷均是由其11。5FTE的病理醫生提供的，平均每人每年需要診斷2萬例病例。繁重的工作量不僅使醫生疲憊，容易出錯，也遲滯了出報告的時間。

利用飛利浦的數字病理系統，Maccabi構建了全數字化診斷的工作流程。技術員將所有切片都放入飛利浦UFS極速切片掃描器中生成高畫質晰的數字全切片，醫生就在顯示器前瀏覽診斷數字切片。與使用玻璃切片和顯微鏡的傳統工作模式相比，少了整理分發的步驟，且避免了玻片分發錯誤和查詢玻片。醫生桌上不再有堆積如山且有汙染的切片托盤，工作環境大幅改善的同時，也無需整理和載入移除切片，可方便的同屏比較不同染色及透過共享切片來進行實時諮詢。整個病理中心的工作效率大幅提升。

開放的系統是實現數字化流程的關鍵。與LIS系統的整合使得無序的切片會自動被識別並分配給指定的醫生，醫生開啟電腦就能看到分配給自己的病例和相應的切片狀態，提高了效率，也避免了錯誤。而在Maccabi，他們更是基於這一開放性打造了AI複檢系統，將AI嵌入到了日常工作流程中，透過AI對醫生的診斷結果進行復核。在2018年3月到2019年11月之間，一共有941個前列腺穿刺病例的11429張切片進行了AI複檢，經AI提示更改了診斷結論或者進行了進一步檢查的多達51處。

他們是如何將AI應用到日常流程中的呢？首先，臨床診斷數字化產生的海量資料天然地為AI演算法訓練提供了充足的資料集，而無需特意地耗費大量人力去創造資料。由於染色、製片等各個環節均存在差異，不同醫院的病理切片影象風格不同，無法直接應用訓練好的AI演算法，每個醫院都需要使用自己的資料重新進行訓練。Maccabi就使用了4600餘張切片、135萬處註釋進行了AI演算法的訓練和驗證，從而得到了高質量（AUC 0。997）的AI演算法。沒有數字化的工作流程，光是這些資料的積攢就是壓在醫生肩上的另一座大山。

其次，飛利浦影象管理系統的開放性和專用的開發元件，使得AI演算法可以便捷地嵌入到診斷流程中去。當醫生完成特定病例的診斷時，系統就會自動將相應的影象資料推送到AI平臺，AI平臺完成分析後，相應的結果也會自動推回到飛利浦的影象管理系統中。這樣，醫生在常規的工作狀態下就可以無縫無感地應用AI演算法，從而即提升了診斷效率，也提升了診斷質量。當AI觸發診斷報警時，醫生也僅需檢視報警區域的影象。Maccabi的研究顯示，嵌入了工作流程中的AI複核僅耗費了醫生不到1%的時間。

在對於一年半里進行的11429張H&E切片的複檢中，AI提示有90張切片原Gleason評分小於7的可能為惡性，560張原診斷為良性病變的切片可能為癌。透過醫生的核查，其中51張切片的診斷結論被更改，或需要做進一步檢查。額外需要提及的是，在對AI演算法的訓練和驗證過程中，甚至發現了很多用於訓練和驗證的’金標準’資料也有錯誤。

可以看到，數字化的診斷流程使智慧化成為了現實，而智慧化的數字工作流不僅改善了工作環境，提升了效率，也為醫生的診斷多加了一重保險，從而最終惠及到廣大患者。

今天因為你的分享，讓我元氣滿滿！

點點點，贊和在看都在這兒

TAG: AI切片診斷醫生病理