2019年12月20日,由动脉网和蛋壳研究院主办,毕马威中国、君联资本、BV百度风投、为来资本、普华资本、清华野村中国研究中心、长岭资本、联想之星、元璟资本、中国研究型医学院学会互联网医院分会、艾美达、清科资本和研值联合主办的“2019未来医疗100强”论坛在北京九华山庄盛大开幕。
作为创新医疗行业的忠实观察者和记录者,动脉网于2015年开始正式举办未来医疗100强论坛,迄今为止已经是第五次举办,已经逐渐成长为创新医疗行业的一大品牌活动。
在数字病理与精准诊断论坛中,四川大学华西医院病理科教授步宏、普华资本管理合伙人周密、赛诺特生物CEO齐华、裕策生物CEO高志博、衡道病理联合创始人、执行董事、总裁张洋以及华银健康总经理黄春波发表了精彩演讲,并共同探讨数字病理与精准诊断行业发展前景。
华西医院步宏教授:智能化与云端化是未来趋势
华西医院步宏教授
智能化和云端化是未来病理必然的趋势,智能化代表人工智能更广阔的发展,云端化代表着病理由个体的劳动变成集群和协同的工作。病理诊断是可以规范、重复、量化、标准化的,而不是仅仅依靠形态、经验来认知理解的,但目前数字病理一个重要问题是“用户体验”还不理想,忽略了最终落地的工作场景,病理医生如果没有一个便捷的工作流程,没有良好的用户体验,智能化和云端化就难于落地进入实战。
数字病理将出现三个发展阶段:
1、远程病理——数字病理的初级阶段,是目前迅速发展的阶段。
2、病理科部分数据得到数字化,人工智能、智能病理才可能切入领域,也是目前行业正在探索的阶段。
3、行业推动,资本介入,二者良好配合才能推动智能病理和云端化。
智能化与云端化是病理科发展的必然趋势,至少是因为:
1、 目前病理现状是人员不足,且相当长一段时间都将不足。尤其是病理技术人员更为缺乏,也没有引起行业的足够重视。从学历、职称状况等代表的未来发展潜力来看也还相当不乐观,病理人员中绝大多数都是中初级人员。
随着免疫组化和分子诊断的快速增长,会对病理人员的要求更高,工作量也会更大,病理人员不足的问题在未来还将更加严峻,通过智能化提高工作效率是必由之路。
2、 病理专科化难度高,由于病理人员不足,绝大多数病理科医生平均人数在2-3人,难以推广专科化,造成病理质量不能跟上临床的发展。专科化的问题要靠未来的协同、资源的共享来解决,也就是靠云模式解决。
3、 运行框架亟待优化,我们通常将运行框架分为大概三个层面:国家队和区域中心、其他三级和二级医院。实际上,病理学科的格局仍然以三甲医院病理科为主,基层病理科的发展我们还没有找到很好的办法。
第三方实验室的数量与国际相比,并非太多,而是发展还不够,质量还不高。第三方实验室是一种跨区域和多点的模式,更需要云端化的场景。
这三个层次的病理难题,都需要智能病理和云端技术来解决。未来的病理应该不是只对自己生产的数据来加以解释,而应该是对整个疾病领域产生数据的解释和整合。最终落地的病理场景技术问题可能是由工程师擅长的数学进入,但最后一定要从医学出口,通过病理医生变为医疗行为,是一个协同的未来。
普华资本周密:从普检病理到精准病理,从通用疗法到个体化治疗
普华资本周密
从年代发展来看,体外诊断是从实验生物学向分子生物学的方向发展。最初我们谈论诊断,都是从形态学、组织学水平或生化水平的,这两年越来越多关注免疫、细胞、分子,当然,这也是精准医疗发展的趋势。在这样的大背景以及新技术加持下,病理正从普检病理走向特检病理。
普检是指HE染色,特检中现在方兴未艾的是免疫组化与原位杂交,也就是说,病理手段从早期的细胞染色向着更多的基于分子病理、疾病的分型的方向发展,病理诊断逐步从较通用化的状态,进展到个体化和精准的状态。
随着人工智能、大数据、云计算的迅猛发展,2015年前后医疗AI逐渐成为投资热点,最初许多医疗AI企业从医疗影像切入,但现在,人工智能正在推动着病理辅助诊断自动化兴起,50%以上的医疗AI企业都围绕着诊断指标、基因分型、疾病历史做病理相关的应用。
从投资的角度来看,病理行业的产业链有三部分:
1、 检验仪器和试剂生产商
2、 上游到肿瘤第三方病理诊断中心
3、 公立的、民营的各类医疗机构
在整个病理产业的价值链中,有效的数据积累是病理AI发展的关键,这也是行业共识。整个病理AI应用开发过程可以分为两部分:积累来自硬件商、医院、第三方检验机构的数据,以及算法开发。
算法的开发也由两部分组成,一是病理的专家集团,包括医学会、医师协会等,二是开发企业,专门做病理算法的开发企业。最后的落地场景,将是整合病理专家与算法开发后回归医院病理科和第三方检验。
现在病理AI的发展阶段仍处于初期的数据积累阶段,病理AI作为辅助工具,与医生的诊断行为捆绑在一起,这种病理AI的落地方式风险低,且成为了国际病理的新潮流。
数字病理企业也获得了医疗行业最传统的新药研发企业,特别是靶向药物研发商的关注,例如,2019年11月,数字病理公司pathAI完成7500万美元B轮融资,BMS(百时美施贵宝)和MSD(默沙东)加注。
总的来说,整个病理行业发展的驱动力主要有三点:肿瘤药研发加速释放了病理对诊断行业的需求;政策扶持AI在医疗中的落地;医疗资源供需严重不平衡推动病理AI诊断工具的发展。病理行业未来发展将出现两个趋势,连锁化、产业化的发展以及AI助力病理的行业升级。
赛诺特生物齐华:肿瘤病理诊断在精准医疗的应用
赛诺特生物齐华
从医生诊疗的角度来看,病理诊断是疾病诊断的“金标准”,从医院的角度来看,病理科反映了一个医院的诊疗水平。正是由于病理诊断的重要性和病理资源分布的不均衡性,病理科和病理诊断面临着巨大的挑战和机遇。随着恶性肿瘤已经成为威胁人类健康重大公共卫生问题,肿瘤持续高发的严峻形势为病理产业带来了机遇。
病理产业的发展是从组织病理逐渐发展到细胞病理,免疫病理、分子病理、数字病理。液基细胞学检查作为细胞病理的代表,已经在基层医院得到了普及和应用。但细胞病理远不只液基细胞,像穿刺、脑脊液+胸腹水等标本都将是细胞病理的重要场景。
近二十年来,免疫组化在病理领域有着极为快速的增长,从某种意义上看,免疫组化对于病理科更像是检验科的化学发光。免疫组化在病理的鉴别、诊断、预后、伴随诊断都起到非常重要的意义,也是诸多病理投资者看好的领域。
现在的免疫组化基本上是定性和半定量的检测,而非绝对定量检测,这种局限是受酶催化底物的影响。未来,免疫组化将从定性和半定量变成绝对定量的手段。
目前病理领域最受追捧的是分子病理,以FISH、PCR和高通量测序为代表,但病理诊断是综合性的,是形态学、免疫学、分子生物学的结合,因此,病理诊断也并非单纯依靠分子诊断做出结论。
分子诊断有一个很大的应用场景,就是液态活检,由于组织病理取材难度大,所以未来以ctDNA等为代表的的液态活检检测在病理科有非常大的应用前景。
当下,肿瘤治疗已经进入到个体化治疗,个体化治疗伴随的就是精准诊断,在临床实践中,包括免疫组化在内的方法实现肿瘤靶向治疗的精准诊断已经非常普遍,通过检测基因靶点或蛋白靶点来拟定肿瘤治疗策略就是具体体现之一。
此外,随着组织染色、免疫组化、PCR、FISH、NGS等各类方法深入应用到病理诊断中,精准诊断在肿瘤治疗中将发挥更大的作用!未来,肿瘤的分类不单是组织学分类,还将发展到以分子标志物来分类。病理诊断也将从肿瘤诊断转向肿瘤预防。
裕策生物高志博:免疫治疗的逻辑大体上可以分为免疫正常化和免疫加强两类
裕策生物高志博
精准医疗时代最重要的突破是在肿瘤免疫里面的突破,PD1/PDL1单抗、TCR、个体化RNA疫苗等都是肿瘤免疫的热门方向,这些免疫疗法都有相通的机制。免疫治疗的逻辑大体上可以分为免疫正常化和免疫加强两类。
在肿瘤免疫循环理论中,肿瘤免疫将经历新生抗原的释放、抗原呈递细胞以及T细胞活化、T细胞浸润、识别和杀伤肿瘤细胞等关键的步骤,任何一个步骤出现问题都可能使免疫系统不能不正常运转,所以让免疫正常化是重要的途径,现有的PD-1/PD-L1就是典型的例子,而个体化疫苗和细胞治疗是加强免疫的有效方法。
免疫治疗市场中,增长速度非常快的是与PD1/PD-L1相关的抗体药物的市场推广和临床广泛应用,对于PD1/PD-L1疗法失败的患者,个体化疫苗和细胞治疗是治疗的重要手段,未来这一方向将成为下一个热门的增长点。
从临床实验分布的情况来看,围绕K药、O药与其他抗肿瘤药物的联合用药来尝试提高免疫疗效是大势所趋,但同时也会由于临床试验设计不严格导致联合用药临床疗效的失败。
个体化疫苗和细胞治疗在临床落地有两个可能的途径,一是按照药物,二是作为医院第三类新技术。总的来看,国内的免疫诊疗的版图分为三类,许多的专注PD1/PD-L1靶点的企业,部分研究细胞治疗的企业,还有一大部分个性化疫苗的研发企业。这些快速发展的技术也面临着各种各样的挑战。其中在临床最大的挑战是临床的获益不足,临床有效性低。
解决有效性低有两个思路,第一,通过精准诊断筛选有效的人群;第二,制定精准的联合治疗方案。此外,还面临一些细节的问题,比如,严重的副作用、耐药、超进展等。
个体化的细胞疗法和疫苗的研发领域的主要问题是靶点不准确。个体化疫苗有三个关键的技术瓶颈:靶点筛选、细胞制备和递送途径,其中递送途径要考虑肿瘤免疫抑制环境的问题。
肿瘤新抗原是个性化疫苗的研发方向,但新生抗原检测面临不少挑战,最大的挑战是,大规模靶点验证的成本高、周期长,根本原因在于验证数据数量有限、数据的不足、验证缺乏标准。这种检测的靶点不准确就会直接影响下游的质量有效性。
衡道病理张洋:国外聚焦病理AI辅助药研,国内关注用AI手段补足病理人员短板
衡道病理张洋
人工智能发展的速度,尤其是在2010年之后的速度极快。2006年,深度学习之父Geoffrey Hinto在《Science》上发表一篇论文,文中提出了深度学习的概念,在此之后深度学习在整个技术领域频繁地亮相。
在2011年之前,主导整个人工智能学习算法主要是统计学习,但其弊端与短板在应用中逐渐显现出来。相比之下,深度学习则在识别、区分等方面的优势非常明显。
2012-2015年,深度学习整体的迭代速度越来越快,精准程度越来越高,一直到2015年完全超越了人类的精准度。2016年-2017年,Alpha Go相继打败了世界围棋冠军李世石、柯洁,随着深度学习的三位创造者,Geoffrey Hinton、Yann LeCun和Yoshua Bengio获得2019图灵奖,深度学习在人工智能中的应用得到了全面的认可。
现在,从机器人、安防、无人驾驶到医学影像,都采取了深度学习的方法,但在病理人工智能领域,深度学习难以克服的是解决病理“金标准”的问题,即,癌症病理诊断中,癌与非癌之间有很大一片灰区,用人工智能进行判断将导致大量的误诊,这个灰区需要由医生做出主观判断。病理人工智能在未来很长的发展过程中,都将是医生的辅助工具。
从国际病理AI趋势来看,主流国家都在积极推动病理人工智能和相关数据的发展。2017年,NHS提议建立29个病理枢纽和轮辐网络,为整个英国医疗系统提供病理服务。2019年,英国商务部提议建立5个数字病理和图像中心,提升病理在AI方面的发展速度和进度,飞利浦、通用电气、西门子和徕卡将共同领导这5个新的AI数字病理学成像中心。
2005年,美国癌症中心推出了TCGA的计划,把基因、生物样本等数据进行了归总。随后,NIH在这个计划基础之上又提出了GDC的计划,把所有的临床与基因数据全部整合到一个平台上,平台能够接受来自全球任何癌症基因组计划的数据,并且这些数据可以与合格的研究人员广泛共享。
国内企业在病理AI,尤其是细胞学领域也在迅速、全面的布局。国外病理AI的特点是注重药物研发以及辅助诊断的应用探索,中国更多地聚焦在如何去弥补基层医生数量不足或技能不足等方面。
从衡道病理的实践和探索中可以看到,人工智能在与第三方病理诊断机构结合的过程中,可以发挥的化学作用,主要表现在三个方面:
第一,微观上,可以在不断提升诊断效率的同时,合理控制成本,第三方是医学AI的最佳应用场景;
第二,中观上,由于第三方多中心、多模态的数据特性,可以更好、更准确地满足AI开发的需求;
第三,宏观上,由于第三方数据、标注和场景的优势,是医学人工智能研发和应用的基础性设施。