智慧病理行业前景如何?病理产业“四化”进程的不断推进、数字病理设备的国产化、病理数据的不断积累、企业多种灵活商业模式的探索以及摩尔定律下存储成本的不断降低。

智慧病理行业前景如何?智慧病理行业现状调研报告

虽然近几年数字病理赛道涌入不少企业,但总体上A病理诊断还是处于一个非常初期发展阶段,面临诸多挑战。从最早入局的近百家企业到目前的10余家企业,病理AI产品由于专业壁垒高、研发周期长,已经”劝退”了不少布局该领域的产业团队。

如今仍在行业活跃生长的,多是些“弹药储备较为充足、能打持久仗,沉下心做产品的实力部队”。针对目前行业存在的一系列挑战,蛋壳研究院进行了深入调研,并尝试结合产业资深人士的洞察提出一些对应的解决方案,分析产业未来的发展趋势。

工智能的本质体现为计算,主要是通过对数据的采集、加工、处理、分析和挖掘、形成有价值的信息流和知识模型,机器学习和深度学习都是基于数学的统计学。

此外,一个优秀的深度学习模型是算法通过大量的数据集训练而达到的。同时,数据的质量对于算法模型的准确性同样非常关键,数据质量越高训练出来的识别算法才越准确。

软件算法模型开发需要大量优质训练数据,但病理A行业的数据面临质和量的双重问题,优质且大量的训练数据难以获得。

从量的维度来看,精标注数字病理切片数据量不足。主要原因在于三方面:

1)病理科数字化程度低,病理数据存量少。相比影像、超声等科室,病理科的数字化程度低,积累的数字病理切片数据少;加之医院内部的临床数据中心建立尚不完善,病理数据库公开数据积累少。

2)数字病理切片数据获取难度大,成本高,数据增量少。

一直以来,由于病理科非医院高创收科室,大部分医院病理科建设投入预算少。而一款数字病理扫描设备的花费在数十万甚至上百万元,基层医疗机构一般难以承受。此外,单张高分辨率的数字病理切片需要上亿像素,所需存储空间高出影像、放射科图像存储空间数倍;

部分第三方检验机构可能会基于自身掌握的数据资源进行算法开发,进一步减少病理Al企业获取病理相关数据的渠道。

3)精标注数字病理切片数据获取难度大,数据积累慢。我国病理医师缺口大但就诊人群基数大、需求多. 匮乏的病理医师群体在承担巨大工作量及科研工作甚至教学任务的情况下,很少有连续时间专门做标注工作,且意愿也不高。

此外,从病理学角度来看,全身疾病的种类多达5000余种,每种疾病都有不同的诊断标准,每个标准又有很多对应特征。在临床上,大部分疾病诊断依赖于病理医生的专业水平和诊断经验,因此,病理诊断的复杂性高、主观性强,对医师的专业知识和经验要求极高。

而准确的病理标注数据,依赖于资深的病理学专家深度参与、进行手动标注。但普通病理医师本就匮乏,高年资、病理诊断水平稳定的有经验病理医师更是凤毛麟角;手动标注也意味着数据积累需要时间。

报告完整版 已分享到『报告智库』知识星球,本社群每年更新优质报告30000+,营销方案每周更新,内幕资讯及各行业精品资料下载,👉 点击这里 即可加入!