你能想象每一天就有三架載滿乘客的大型飛機墜落然后全員身亡的事故么？這聽起來十分可怕，但全球每年被瘧疾奪走生命的人數高達60萬~80萬，就等同于這樣的墜機事故發生的概率。雖然在發達地區，瘧疾幾乎已經被消滅，但在某些欠發達地區，瘧疾卻仍然是災難。在處理瘧疾挑戰的過程中，缺少足夠的專業病理醫師是其中一大挑戰，該問題進而造成患者難以得到及時的診斷和治療。

　　目前的技術則可以幫助判斷出病人是否感染了瘧疾，感染的是哪一種類瘧疾，以及可能是從哪些渠道感染的。相比傳統方式下需要大量人力看樣本、做分析，該技術讓醫生的效率大為提升，即便是在醫療人員匱乏的地區，醫護服務也不再那么捉襟見肘了。

　　所以，計算機與醫療的結合，遠不止智能手環、血糖儀等智能硬件，而是覆蓋范圍非常廣泛，從前端設備到后端系統，再到隱藏在最后端的各類算法，每個分支都可以是一個獨立的學科。我們有近一百個與醫療相關的項目，其中既包括十分具有前瞻性的，也有已經步入實際應用層面的。

　　如今計算機在醫療領域的進展其實都基于同一個基礎，即“數據改變醫療”。不管是中醫還是西醫，本質上都是實踐科學，醫生通過無數次的實踐總結，統計出規律，最終達到醫病救人的效果。當人類收集、處理和分析數據的能力隨著云計算、大數據、機器學習、物聯網等技術的發展而日漸增強時，人們利用大數據，像醫生一樣去分析或輔助分析病情的能力自然也會與日俱增。

　　比如，癌癥一直是人類最迫切需要解決的醫學難題之一。由于同一類癌癥的不同患者表現各不相同，因此每位患者的癌癥都是一種獨立的疾病，即便醫生擁有豐富的經驗，也很難做出100%準確的分析和判斷，更別說進行相對個性化的精準醫療了。因此，我們一直將數字醫學影像識別作為主攻方向之一，希望加速推動精準醫療。

　　2014年起，我們的團隊開始鉆研腦腫瘤病理切片的識別和判斷，通過細胞的形態、大小、結構等，去輔助分析和判斷病人所處的癌癥階段。近兩年，在該領域，我們取得了兩大突破。

　　首先，實現了對大尺寸病理切片的圖片處理。通常圖片的尺寸也就是224*224像素，但腦腫瘤病理切片的尺寸卻達到了20萬*20萬，甚至40萬*40萬像素。在大尺寸病理切片影像識別系統方面，我們沒有沿用業內常用的數字醫學圖像數據庫，反而在ImageNet這個計算機領域最成熟的圖片數據庫的基礎之上，通過自己搭建的神經網絡和深度學習算法，最終實現了對大尺寸病理切片的圖片處理。

　　其次，在解決了細胞層面的圖像識別之后，又實現了對病變腺體的識別。所謂腺體，可以簡單理解為多細胞的集合體，它更接近于“器官”的概念。相對于細胞病變，腺體病變的復雜性和可能的組合都呈指數級增長。對腺體狀態的準確識別，可大大提高癌癥分析的準確程度，意義更深遠。

　　對病變腺體的識別，主要基于三個可以衡量癌細胞擴散程度和預后能力的指標：細胞的分化能力、腺體的狀況和有絲分裂水平。從這三個角度，通過多渠道的數據采集和分析，我們希望未來幫助醫生實現對病人術后情形的預估。

　　以往醫生都是憑借“肉眼”和經驗去觀察病理切片影像并判斷病情，如今人工智能中的兩大核心技術即神經網絡和深度學習則讓計算機系統能自動學習惡性腫瘤細胞與正常細胞間的差異以及癌癥病情的分析和判斷標準，同時能夠在掃描病理切片之后，給出判斷結果，供醫生參考。計算機強大的運算能力彌補了部分醫生由于經驗不足引起的誤判，或是對罕見病及疑難雜癥的思慮不周。而且計算機還能發現人眼不易察覺的小細節，并總結出一些醫生意料之外的規律，從而不斷完善醫生和計算機系統的知識體系。