胃肠会议转写

欢迎大家没有动静。我要看ok。When you speak, they can translate Email immediately, so that's good. We don't need to translation now. That's nice. Nice, right? Ok，好好。来，请坐。坐来东西来坐，这同曦是元老，孔溪是南京的元老，最老的一个。来，我坐。李教授你好。好，我们现在开会。今天我们在这里开一个人工智能医疗新质生产力的创新实践与理论研讨会。
今天我们这次会议是由我们湖北省病理质控中心的细胞学组和中南、财大、数字经济研究院以及南京医学检验所共同来举办的。为什么要举办研讨会？是因为基于我们湖北不是南丁，是湖北做了一个人工智能宫颈癌筛查的大规模筛查的创新，那么大家在创新的基础上，我们面临的很多一些总结了一些经验，还有一些挑战，我们今天就邀请了来自各个不同专业，应该是交叉学科的专业，一起来我们共同开一个研讨会，我们的专业有妇科的，有病理的、有细胞的、有经济学教授，有人工智能教授，还有这种公共管理的等等。
所以今天我们参加会议的专家教授，我们有胡俊波教授，有。从日本来的doctor junior for cocoa。他简单介绍一下，他是日本长崎医学院大学医学院的病理教授，是亚洲细胞亚洲病理数字病理学会的主席，而且美国是吧，而且刚刚当选为美国数字细胞病理学会主席，因为亚洲的人工智能做的比较好，可能是中国是最大的是贡献，所以当他的这种在国际上的响应度是很高的，大概的风格上，所以今天非常有幸请到他来参会，所以我们和大家把中国的问题和国际的问题一起就交流了，因为我们是在同步发展，在同步这种面临的挑战，所以我们认为这是很难得的一个机会。除了达克佛科萨以外，我们有中南，财大的数字经济研究院的胡立军教授，石军伟教授，还有我们毛三元教授，然后我们湖北省妇幼保健院由胡俊波主任这个会议，我们要感谢胡俊波主任他做了很大的贡献，还有中湖北省妇幼保健院的高霞主任，魏征主任，还有我们同济的刘丽敏主任，然后我们有泰康同济的李君川主任，还有中我们陆军总院的陈寿松主任，然后原来是湖北省肿瘤医院的邓云特主任，还有省肿瘤的冯西细胞室的主任，然后武汉市中心医院的杨子轩主任，然后还有我们武汉大学口腔医院的谢浩教授，还有我们叫什么江汉大学的王成新教授，我们魏敏教主任，然后就是我们南丁的我庞宝川主任他是人工智能的主主任，有汪岚，有李总监，有李华李华医生等等。
那么我们在这里的我们抓紧时间就开始进程我们的会议，今天的这种会议刚刚讲了，其实我们要想在我们湖北创新的基础上，我们怎么把我们现在的一些经验拿出来，挑战拿出来，然后大家共同来发言来讨论，所以我暂时我就先用5分钟简单把湖北的一个经验做一个简单的总结和介绍。7. 好，我们也应该这样讲，我们来看湖北省在全中国全世界首先做了一个伟大的创举。
第一我们是首先这是2022422年到24年这一份红头文件，这份红头文件它代表的是什么？它真的是代表一个政府，然后他用，文字材料叫全湖北省城乡妇女人工智能宫颈癌筛查，然后由政府主导，由妇联、卫健委、总工会、省财政厅，保证了财政的经费的运营，保证了省妇联和工会，保证了筛查人员的来源和管理。湖北省卫健委采用1430个乡镇卫生院来参与这个筛查项目，标本的收集，所以这份文件应该是医疗AI历史上的第一份文件，它用它来把人工智能作为一项大规模筛查的一个记录。
然后真正在这件事情上，湖北的这种人工智能创新首先是政府的主导，没有我们政府主导创新，就没有现在的所有的后来。所以它政府的主导第一件事情，他就是购买了数字服务。在湖北省当时是1,267万人，他计划是6.2个亿的时候，他没有买设备，没有买耗材，没有买所有的东西，他买的，因为你有人工智能有数字诊断的结果，我买这个数字诊断报告，所以有了这一个文件，有了这样一个保证以后，所以它基于相信人工智能就是我们湖北省政府，他敢于在全中国没有任何一个政府敢用人工智能大做筛查的时候，他用这种人工智能来保证他的这种筛查的质量。
他他用的是平台来进行管理，当时我们1430个乡镇卫生院取样，他用、平台，然后把每一级每一个媳妇乡镇社区卫生院，每一例的取材的样本，他们是用手机在监管的。每一天手机在监管，其实我们湖北省卫健委妇幼处就是两个人，一个就是处长，还有一个就是一个办事员，两个人管了1430个乡镇卫生院，每一天他们拿着手机在进行高效的管理。
然后再就是数字的信息安全，这是他们做到了让蓝丁签协议，兰丁跟我们签了好多协议，所以在数字安全的保障上，然后得到这项项目完了以后没有任何的改变。所以科技融合的其实也不是蓝丁一家，我们无非就是在经过了20多年的反复的这种创新研究，我们有一个人工智能的技术和有一个产业，因为我们能生产设备，同时我们还有平台和模型。
真正的是中国电信 5G在这里建了一个基站，然后快速的把扫描的每一个细胞的信息用两三分钟时间快速地传到了我们的这种云平台。我记得我刚回来回国的时候，在国外是30分钟一一传一粒细胞薄片，所以我们中国电信的5G在这里让我们两分钟只以内甚至有时候更快传到云平台上。
中国电信完了以后，其实是阿里云，阿里云的这种算力中心算力的这种平台，给我们提供了存储的空间和算算法的空间，所以在云平台上从5G传到我们的云平台上，快的时候也就两分钟完成一例这种诊断。然后最后腾讯进的语音信息平台。我们每一份报告，整个这种筛查的流程，每一个环节，最后我们都是腾讯的信息平台，包括医生上台去做一个包括我们病人收报告，我们病人追踪他的标本的信息，报告的结果和咨询的情况，所以是腾讯的平台，所以应该说南丁是非常有幸落地在湖北武汉，由我们湖北政府的这种创新，体制的创新，就我们用了中国的或者平台，保证了我们的时间效率，保证了我们的质量，保证了我们能够完成我们中国或者是世界最大的一次宫颈癌筛查的任务，所以这个就是形成了让我们原来我们湖北省说领导说让我们南丁当一个什么产业链主，就是AI的链主，我一直不懂什么叫链主，等我们把湖北的项目做完了，我才发现什么叫链主？我们在湖北就有1430个乡镇社区卫生院，是乡镇卫生院，它是医疗机构，然后我们在全国还有将近一两千家医院不算，这就是1430个乡镇卫生院，是在你的服务的链条上，它是数据源数据的来源。
然后 140 3 10个乡镇卫生院是在湖北103个县的辅导下完成的，所以湖湖北省的妇保院，然后我们上下游产业链，我们的玻片，我们的耗材，我们的这种是扫描仪，我们的4片染色等等，算下来有300 20个就是厂家上下游的厂家，在跟我们对。他们跟我大家大概5000多人，在产业链上还有15个科研院所，也就是所有的像武汉大学，像什么化工的，像同济的什么中心，像很多的医疗机构，包括我们妇幼系统等等，这种科研院所实际上是在做事的过程中自然形成了这个链，也就是今天的中国到处都是珍珠，需要人去把它串起来。
所以我们今天在看湖北这件事情上，真根本不能简单的说是一个公司，是一个人是一个单位，实际上人工智能的时代给我们应该说是一个社会的新的生态，社会的一个新的时代，我们用好我们自己个人的资源，你的这种资源用好了的话，其实可以形成一个非常好的这种医疗的，就是我们做医疗形成了一个全新的医疗生态，好往下走。
好，再看这个数据，湖北省完成了6 6,168,612人。这一份这个数据是世界人类世界第一次，这个数据是没有人参与的，全部是自动化、智能化、数字化、网络化、信息化、标准化的一个数字，即使有误差，它是一个标准的误差，而不是病理的所有不同的专家，不同的医院、不同的实验室，不同的技术员产生的误差，它的误差应该是一个标准误差。
所以我们数据湖北的数据，大家不要简单地看它的阳性检出率这那了，实际上它是一个标准的世界第一个标准的无人操作的一个数据。所以这个数据我们大家再看，我们人很难做到的，他从35岁到64岁每一个年龄段最少是十几万人，最多有的甚至达到了三十几万人每一岁，达到了这样的一个，所以在这么个数据的基础上，我们得出了阳性检出率，这是能够代表中国的数据。
所以我们中国做了十几年的宫颈癌筛查，各个省做了几千万人，但是这个数据实际上这个才是真正的能够代表中国的数据。他从35岁到我们的这种64岁，原来我们中国一直参考的是国外的宫颈癌筛查数据，高发，年龄段是幸运生活活跃的阶段，在40岁左右。而我们中国的数据大家可以看到，从60岁以上大概有五六十万人数据显示，高发率是在五六十岁，而不是在40岁50岁以上，也就在我们中国政府免费做筛查的时候，你有限的免费经费是给40岁50岁还是给80还是给60岁以上的人，所以这些给我们的提示就是我们调查了为什么60岁，因为我们60岁的人退休了，没有单位体检，我们60岁的人，50年代60年代的人一般的家庭条件是比较困难的，最后还有好多60岁的人，这是有生以来第一次做的筛查，所以这就给我们政府提供的一个信息，以后做筛查做诊断，你的年龄有限的钱给谁用？这是第一件事。
再一个我们的阳性有5类，就是阿斯卡是低级别高级别等等，通过数据它把它这种分得很精准了以后，对我们的闭环的管理，这个是应该做复查，阿斯卡是做一个事，就是49块钱的普查要加个镜，要加个病理组织活检，这两组后面要加。如果早期治疗的话，这两期的也都在2000~5000块钱之间，所以这就是在我们做医改的时候，用数字提供给我们政府做决策，对吧？用数字来帮助我们指导。
所以我们湖北省卫健委他做了一个决定，他这十几年来原来都是只做筛查，筛查完了没有管。今年有了这个数据，我们湖北省会因为说对这38万人阳将近38万人的阳性，专门拨款重新做，他们作为高危人群重新做复查，要不然我们中国3亿妇女大量的在做筛查，都是查了就完了，你自己阳性是不是去复诊，那是个人的事，所以我们政府现在拿钱专门对这一批人重新做筛查，也就是用这个数据可以看出来宫颈癌筛查对我们的这种标准化自动化，对我们的这种中国这么大一个人口群众的帮助，所以再一个就是湖北的模式，实际上是真正实现了高质量、低成本、广覆盖、可操作、可复制、可推广。
好，往下走。好，再讲这个数据，这个数据得出来了以后，我们在柳叶刀上，在世界卫生组织的这种专门的杂志上，宫颈癌的专著上，在英国美国的这种这种英文杂志数据拿出去，这应该是最顶级的数据拿了，所以我们可以看到现在专业认什么，这些原来我们都是看哪些哪个人哪个医院哪个大单位哪个有名的专家，现在发文章作为南宁来讲，其实我们也没有想到要去发文章，但是把数据做出来了以后，这些文章，这些专家们这些文章们根本不认你是谁，也不认为你是哪个单位，你是哪个国家认数据，因为你这个数据是客观的，是质量高的。
好，然后我就说我们上个在下一章，我们就是上个月在新加坡开的世界复世界人工智能大会峰会，我们交了一个我们把湖北一个数据交到一个摘要交过去以后，马上大会发言完了以后，这个细胞像杂志的主编柳叶刀的主编迪欧克大学新加坡国立大学人工智能主任，他们是评委把南京评了第一名，罚了3000元的新元的那种奖金，然后他们就说这项研究太有意义，做得很好，无可挑剔。
这就是世界顶级的专家来认你的时候，今天认什么？不是认个人，这个事情不是人做的，是数据模型，是这种人工智能是云平台是什么？再也不是人了，所以我们人在这个时代重新来认识现在的专业，现在的这种我们的临床的医疗实践，这和标准包括社会认知的标准。好，往下走。简单的讲你做了一件什么？实际上就是把原来的这种细胞用一个数字转换器，有世界上最大的，有世界上最小的，实际上就是把细胞变成树脂，然后变成了数字以后，这里这种数字化了以后，我们的大脑模型来用通过数字来辨别良性还是恶性恶性。
然后我们的医生基于这个一个是标准化的自动化的转换数字转换器，再加上多年形成的一个大脑模型，然后往下走，然后我们医生就把这个已经用它标了以后做一个复核诊断，首先讲它是不是100%没有误差，一定的敏感性和特异性，我们不可能要掐他要一这个没有漏的或者没有假阳性的，最后我们用敏感性和特异性这两个指标来说明它的这种整个的敏感性也好，特性也好，实际上它超越了人类的一些极限，就是说它是敏感性和特异性也是应该最高的。
当然你可以随着量的增加可以越来越好，这就是我们现在的简单讲，你要有一个扫描仪，你要有一个数据模型，然后我们的医生基于你就更简单更轻松，原来医生一天做100例的，现在做1万例，而且质量更高，这就是人类在医生的解放的同时，实际上是随着科技的变化带来给我们的一些幸福。
完了。好往下走。最后再讲就是真正的湖北的项目，它带来给产业带来了给我们大家带来的是一个真正的是一个产业，有了产业以后，我们有一个有产业，有这个平台，有一个模型带来这三种，这是今天全世界要做人工智能，尤其是医疗人工智能，其实所有人工是一辆你必须要有东西，相当于在医院来讲，产业实际上是我们的实验室的技术员，他做的这种制片染色前期准备，这是肌肉，这是代表人的肌肉，他是做制片人，不在于不需要用好多脑子，现在也很多自动化了。
然后医生的脑子用这个大模型来替代，用数据把医生的脑子起来。实际上就是院长他的管理，我们这一个平台有十几个这种管理软件，所以他才能真正的高效的完成这种1400多家的标本的管理。所以这种平台的管理，然后再有，鸡肉也有大脑，然后人就把管理做好了后，我们的医生实际上是应该最后坐在平台上管理我们的医生，将来我们的病理医生一定是在平台上管理这种这种数据模型管理，最后我们的医生管理，这个机器人就是这种硬件，原来我们西医的医生实际上是依赖于工业时代的工业医疗设备，这种工业医疗设备它把我们的医生绑架了以后，我们医生被动地接受工业医疗产品数字时代，你有了数字，然后你最清楚这些应用的这种医疗临床过程中，每一个环节误差出在哪里，所以医生来指导这种工业产品的制造，从原来工程师做好设备，B超CT核磁共振给医生用，到现在是医生用数据来控制平台，来控制最后控制我们的产业，所以这就是我们认为这是给我们带来的全新的一一个时代，所以我们的角色在转换。
好，往下走。最后实际上我们宫颈癌筛查只是一个小切入口，其实所有的肿瘤逐渐的一定是用一个共同的一种基准的模型，然后把其他的肿瘤和各位专家一定相信，用人工智能模型加云平台加机器人是所有的肿瘤，将来就是这个模型，而且就在不远的将来一定可以相信自己，这个事情可以做到。
在在在最后一张，所以我们做个简单的小结，湖北的这是这种项目经过我们的20多年的努力，第一人工智能多模态的模型加机器人这种工作场景已经是世界，我们已经给大家看到了一片天地。第二，医疗的人工智能配套的数字化的系列产品，所以其实这些数字化的产品是医生和这种做产业的工程师共同创造的。
第三，医疗数字化信息化管理平台。所以这些平台实际上是帮我们把一些医院的一半的人是这种管理人员，实际上他可以通过这种信息化的平台完成我们的任务，甚至做得更好。好往下走，往下。好，哪一张？最后这一张上下头这一张，实际上做一个简单的这种汇聚，就是人工智能我们做医生的人，我们学临床的人怎么来认识人工智能，该怎么做？实际上兰丁现在我们做完了以后，再回过头来才知道，其实作为一个医疗样本的取收集，医疗样本的你收集了一个医疗样本，这只是第一步，收集了以后汇聚加工融合功能，建模，才能用这个数据才有价值。
所以现在很多医院认为我们有数据，其实这个数据你拿着你是如果不经过这些过程，这些数据是无效的，数据你用不到的。然后作为你有了这些数据，你必须要有一个产业，这个产业就是两个产品，现在医疗产品一个是物理的有形的产品，看得见的产品，然后更多的医疗数字时代，更多的是无遏云绕梁，弹劾和应用的场景是无形的，所谓无形的就是5G，云对吧？算力、算法、模型、信息平台等等这些，所以我们现在不要把这些有形的产品的价值看得太高，它就是个数字转换剂，我们现在在高速上超汽车开车，超速，我们的公安局抓坏人都是一个摄像头，他无非就是一个数字转换器，然后转换成数字图像，所以物理的然后和虚拟的产品就是这两种。
但这两种从收集到这种产品的出现，它中间有大量的事情，你要把数据源采集的方式数据要签很多协议，那不是数据你等等要做这些好多事情，所以整个这两件事情完成，从你有数据，最后你有产业，最后你能做服务。它是这样一个大的闭环的这种建立，这种闭环的建立不是一个公司，不是一个人，不是你仅仅有了数据就可以完成，所以这是一个整合的一个这种多叫我们这叫多模态的数据也好，叫多多有形的产品也好，实际上是一个融合体，大家融合了，所以全我们中国在做工人工智能的时候，我们有这么好的数据源，我们的病人是数据源对吧？我们有这么好的数据源，我们有这么好的光机电电脑，我们有这么好的有专家群体，所以我们一定要珍惜这个机会。
中国我们今天是有机会在人工智能医疗这方面去做创新，为世界做贡献的，谢谢，我就先简单把简单做一个介绍，谢谢。下面我们就请 doctor Foucault, 他来跟我们做一个这种介绍，他把他的在第一他有他经过了他主要讲三个这种论点，第一个，would you please? Let's go ahead, please. Yes. Hello. Thank you for inviting me. I feel very honored to have this opportunity toward us speak in front of you.
My name is doctor junior of coca. I'm a pathologist, I'm not a computer scientist. I'm calling myself but I do a lot of AI work. I do a lot of digital pathology. I started there is the pathology at the age of the year of the 2009. Since then I'm doing primary diagnosis by using digital pathology. Okay. Today I talk about those three topics. First one is this proposal itself. Second one is artificial Intelligence and the third one is about the new society called asdp agent society of is the pathology. First one, that I know I've heard that today. Many of the audience are not the pathologists, but at least some of the things that you can also understand these are the immediate benefit of the digital pathology those margins and also in the size of the two more.
And area of the negro says area of no the treatment effect those things by exact numbers. That's very nice. And also utility of the image analysis software that's AI which are already doctors talk a lot about it and he her beautiful work as well. And also the field tracking arose verification of a missing tissue piece I will talk about later on and also unaffected by color fading because we all know that dinner slides are fading in color by ears. When patient come back and we have no way to have the same quality to look at in the same the pathology and also instant sharing and consulting of cases.
That's one of the strongest benefit we can immediately showcases to the person and to the expert in the whole world immediately. So you can get an answer from the consultation next day or even same day, we can build a diagnostic network and with it's very hard and it's highly educational and also good for the patient as well. Also, our desk was not no more occupied by the pile up of the slides. So we don't have a microscope either. So it's the desk is very green. We can also make a diagnosis from everywhere today. I finished my seven cases actually left in my hotel so that is also durable as well.
By the way, I'm trying to show it is this one. Here, you see that I actually miss looking at is maybe not me and my fellow did not look at those tissues. It's obvious. You don't need to worry about this. Right? Yes, all tissues. This is quite obvious that prostate, the do you trb the specimens? You have like a hand tens of them, multiple tens of the tissues. You need to look at everything, but you are not sure I'd also leave no matter success. Your accounting not, but you may be like, did I look at everything? Obeyed me say something. So those are not really another worry about by the this episoology.
The slides from the10 years ago. This one has slides from the O. We go back, actually. This one is slide from the 10 years ago, both at the twenty and 14. But as you see, the quality is completely different. So that as I said, there's one guy who is still doing microscope diagnosis in my hospital. He is old but soldiers but he really hates on the pathology. I these stripper soldier. I don't push too much. I let him if he wants to do that slight diagnosis, he can do it. But what happened is his desk is completely occupied those slides and they have only tiny spaces to me.
Enjoy coffee or something that instead, our hot office more mostly have a lot of monitors that is pretty clean because we don't have any in our grass slides in our office. And also this is you feel funny when I get a consultation or I get in a phone call from the hospital. I need to the reported immediately. So then what we do is that we need to stop. I'm not doing with running, but there we start how can do that our system to make a diagnosis that is also doable. And do you know what this is? Maybe you feel like it is safe? Funny that where I'm doing this diagnosis is actually on the airplane.
So it was on the way going to the youth gap in America last month, actually 2 months ago. So II here to and I finished my ten cases of consultation and also some cases of the aiai work. So I did finish five cases by of the AI analysis as well. Our network is like this one. We are located like there's 1 thousand kilometer away for each hospitals, but we are connected. Soldiers are looking at their cases where they are good at. The fellows also are looking at the cases where they want to learn from the expert by themselves. So they selected whatever the cases they like. So we are almost like a chaotic that we went. Who is it a diagonal? Whose cases is not really attracted by and we have all names and contact information.
So clinician can always call to those pathologists to communicate with the one of the our paper. Is it a teacher telling that the digital consultation, improve the practice. Why don't we we submit as which is having probable or suspicious of possible type of diagnosis, making the right answer afterward by the 6th professors. What happened was that study miss dagger. So it's quite a lot, actually, but we don't we don't make a consultation so easily. We just finish them. And when you have very difficult case, we submit that its counsel as a consultation, but we don't usually do it in a regular basis. But this is telling five in one cases when you feel like, let's say this is a little bit difficult, then it may have a difficult the wrong diagnosis.
So what we said we created it was back in2018. We create a system of the consultation, so it's not a video. But then I'll add it's actually a video, but I cannot really move on. Why? But it's a consultation system of the industrial lung disease. So all 380 hospital who is dealing with those in the cell lung disease submit cases to the crowd system and the clinician promotion orders, radiologists and pathologists put the head together to look at those cases. We have 13 in our medical mdd team throughout the Japan. They are not in the same hospital. They are just individual, but and looking at those. But it's interesting if you look at that monitor, this type of the crowd based mdd is proving improving the practice, difference of the prognosis, our prediction daily cases That we have now that one shows video why it's interesting aI using in a daily practice, the international lung disease model to the fellow and the people who is outside of those expertise to see the diagnosis that one is actually not showing the video, but if you look at their that there is a why this point of those video, this 1,000, you can modify AI the panel looking at this AI resolve and create an area doing that, the recent data shows our couple value it born after the AI, before 0.5 for the sub typing of the lung cancer, beta 0.72 innovation elevation of the agreement of the longest sub typing after below was a prostate that which is the in Europe it was by ce Mark announcing by inform that the grease and type and also skating the cancer length.
And so if you want to use it, those things are already ailable in the market. Most of them are to help, but also you diagnose. But there is something over beyond this is also ailable as well. Something like say, let's say, predicting the mutations. Those are for the clinicians. Why do ppl thought is need a eyes? There are several reasons. First one, this was the down by my associate doctor Andre beach golf is searching how many possible is actually are inaccurate now in a whole group of work. The second China is having other the pathologists and also about many of the African and Asian country does too.
And on Top of that, AI can't do something, human cannot do. That's a very important issues, as I said, predicting driver gene mutations, predicting patients survival or multiplex scenarios, pretty control, etcetera. Those are the thing that people cannot redo, but it can do. This is one of the example. Can you tell how many cells these are? If you have a feeling eyeball judgment, how many of you think this is less than 300? Please raise hands. No one. How many of you think this is more than there, but below 400? So how many of you think this is more than 400? Okay.
Thank you so much. This is usually very difficult, but if you and I use the roles in AI model, it says what history is there quite a few, but when I asked this to the older facilities, what happened is it's mass, it's very difficult why I thought was about below 200 actually. But in fact, if I counted it's over 400. And also this is another survey I did to my friends. Most of them are professors in the whole world and asking them about the inter observer by liabilities. This is very important. Pathology diagnosis needs standardization. It's not only pathology.
Actually in everywhere medicine has to be standardized, of course. Mental now we are using those AI two to standardize our diagnosis. But because I'm pathologists and pathology is a final diagnosis, it's very important to give the final judgment to the patient. And for the judgment of the benign buses, marijuana of the cone disease, we have a very high agreement, almost 100. So almost 100% or 90%. Of course, right? But if that tax like let's say some typing or a rare nail prospect. This is rare disease. And then agreement is dropping cause there are several reasons, but we need to do it. And I think AI can help, in this sake why this happens? Because some people has a different criteria.
Right? So some people say, no, II make it I have a criteria very narrow criteria. B is this disease, something like that. Somebody said, no, I have a broad criteria. Everything is the same. To me, everything is the same diagonal. Ben brought the survivor car. If those are still pretty thing is however difference then how we can tell that the who is wrong with, right? It's very difficult. This actually happens quite frequently. So to do so, we need to have those objective or it's a digital too, actually and numbers to tell to the people. This is that what the reality is quite common.
It's about half of the case of the lung cancer. It's very common. We are have new medicine and clinicians and all start getting a biopsy for those disease. But pathologist who most of episodes doesn't have any clue how to make a diagnosis. This is in showing the reality. This is a very old study that I did. I this to the 29 pathogens. They are famous. Fall into the same diagnosis. On summer there the II burst the diagnostic trend. This is a reality. What to do because we are not really possible to discuss this if we are underground. Look at the microscope. It does, right? And pass the graph side looking at a completely different things, but the same they use the same terminology without data, without digital, without pointing at the exact same images, very the right things, how we did.
We did extraction by AI. So AI is very good at reproduce things. We let AI to reproduce, we extract the features, we as a human, but soldiers just sorted out those images and give the terminology what we can understand. So explanation to make the model. We create model like as if simulating what pathogens that those are the features the pathogen can understand. And also we create another model to reach to the final diagnosis by that people feel like a sake. This is what III agree with this model if the model does only predict the diagnosis you cannot really agree. It's a different from the model that love it is making because I it is also showing each cells, this one is looking more like a high cell, this one look more.
I cannot add a low sale and you can make a judgment by looking at this one. So this is already explainable AI. But those models it's very difficult just saying the diagnosis why can you trust it or not? It's quite difficult. We really did this compared with end to end the model. End to end model is when you put some of you get that there trying by this and the machine automatically. Now learn problem. Process will help them when compare end to end model 200 times, but none of them. Now we reach to the good part of us, the disease we cannot remain a good one only by the a iai engineering. We always have to think combine human powers and AI power. Good, something good. So this is a kind of entering error of the human in the room product.
So this also, if you want to look at the video is ailable, but not this monitor. But is that so this is the international lung disease, the UI, the nsip people live10 feet 20 years, but uip people get die into 3 years. The medicine is completely different. One is steroid, but uip if you put the steroid patient get died earlier. It's a very big deal to the clinician which medicine to use. But pass soldiers they are just poor. A is uip or not. And the public group, see, so problem we are and also we compare the model if the model is really doing a good performance by comparing all the expert inside the world. The expert from the clinics, expert from the area and the Brazil.
The all of the soldiers did a good performance. They are expert but also almost our model is also not bring the below is maybe outstanding majority of those passwords as well. Agreement was very high 0.7 something. If you wanna look at the video once again, the video is only ailable that monitor. But what we are doing is this is this one is ailable. I don't know why. This is among two more sorority counter model. We create the two models, two more segmentation by the red Carter. It is indicating where the tumor is, where the cancer is. And nuclear recognition model by Brooke area by that, we count those nuclear insider outside our account. And then which model to submit because if this cancer percentage is beyond the 30%, we can submit this one to the multi energy S based on a model like a foundation model this one to single prep, then that it's very difficult for a human to predict this percentage.
We cannot retell the exact number, how we prove it. And all other stain agency of the lung cancer and remove the Chinese tanning and on the exact the same, right? We scan both and made a human annotation of syllabus and then count the cell. It whole 1 month to run through all those 20 just 20 cases I took 1 month. It's a huge effort. But what we know is that black Ryan is a ground truth. This red dot is pathogen, yes. This happens pathologists. Although II had quite a good confidence that I right now pretty good practice. I confessed I also made some mess as well.
These blue lines and what we reported after looking at AI, it's proving that our practice by using it is improving our medicine. As I said, we always the ask clinician to explain this to the pain. So patient know that we are using AI for the diagnosis. It's very important. The clinician and so this in a corroborate together and agree that in a world use an AI into practice, we have to understand that benefit and also the risks together to corroborate. And yeah, so it's on a daily walk. We did it. We are doing percentage of diagnosis. We don't use a microscope at all. So when we are making our diagnosis, we do that annotation of the cat Rai, the teams is annotating and also evaluate the two most sorority.
Then based on that number, we may make a judgment. We pass all this, put ahead together, judgment and then and we cannot see the video but that by looking at the data, just make it a judgment. If we adopt AI score as it is or we have to modify AI score, or if we have to just ignore this one. So if this is the case, this is very then that we can just use it. If this is a case. We all know that there are several cancer cells are not really recognized by this AI model. We will just modify it something like, let's say, just brass sand onto the numbers.
Or if this is the case, so cancer is in everywhere, but the model does not really and recognize the cancer cell. So we just ignore and use a pathologist number. Okay. Ai to improve diagnosis was high in terms of liabilities. This is one of my strong the focus of the AI research. I have the easy task. Right? Because it can be done by pathologists so easily. You don't need to and have that expensive model. But this is which we have a quite in terms of ailability. We need to standardize unify the medicine, the robbery while we do it, like I say, okay, if if we create a model actually of the lung cancer to sub and tell, okay, this is more like a great gradually. I don't percentage of the each sometime.
Mark, that what is the other team? We can tell issues. Can you trust this? Right. Okok, this looks from where a model from Japan. Is it okay? Are there really doing great work and who which puzzle this is making this model? So because people disagree a lot. I feel like I said they do not agree with this. It was probably got it right. They don't use it. That's the practice. We have to the grand tour is what we use is the right things. What we did this is of federal you can diagnosis the size of the bank biopsy and ask them which one to fall into.
So the people have to select is this popular itinerary looks like a rabbinic to me, something like that. This is the outcome. All this disagree a lot on this one. So who provide the grand jury took this model is this based on this? It's about the diagnosis who whose diagnosis you are making its model and of the issue, the things is a who and also I said she does the lung cancer strong issue to predict the prognosis and they would change the practice by the this one. It's the same thing happened in the most of the practice. If you're doing in our gynecological cancer, also in historical subtype? But that there is some human being also need to do something on it for that, we can use AI to standardize their diagnosis if we remove those sleeper soldiers Things are not that bad.
Maybe these busy, basically mild cancer actually, or is about the new carcinoma. It's a great, too. There are slide there between Indianapolis soldiers. I was quite agree each other. And then we noticed that how to deal with this one. We notice that there are two different groups among in those 18 passages. Question is, do we just make majority board about all of the cases by those 18 pathologies and said the grand tours. That's one way. Or do we create two models and compare those two models with a multiple different cohort. We choose the latter method that I'm sorry, those three passwords were outside across.
We discard those data. There are several things. Those are still the passages. But they are not at all. We figure out they are not primary expert. So those three passwords are still are good, but all this but we cannot use those data. So this is the things if you're using pathogens theater, if you are using the data coming not only from passology, but you're always saying if you're using the data from the some doctors and you believe that you create the model, sometimes you don't really good at making a good performance, maybe because of this reason. There are several differences how to solve this? What is this issue? Ai what we did was published in the American Journal of pathology and also archives of perfectly it the two models, AI one and AI two and compare with a many different cohort to say to to find out.
But what happened was that so they are quite sure. And AI wanna first cohort, they are almost identical. Second goal almost identical. We change the country, go to America, Brazil and those other. But countries both are doing great, too. Is there is probably not the one answer at this moment, although we are using same terminology that microscope observation does not give us a crew to reunify it. So why we need this episoology and why we need data is this is now obvious that we have two different groups and we agree which type which that we don't disagree, we disagree. We can tell that now.
But before having these surpasses aai, it's impossible. That's how we use. Another one, as I said, AI can look at something which human cannot do. One is molecular features. This paper was published 2018 quite old days, right? It's already 7 years ago in nature medicine. This was from the New York University and they use hre to predict the driver's mutations. And at that time, the auc of the egfr is look at this one. This is about 0.747.0.82, something like that. But now what happened is that this is the paper coming from the China, right? I think it is from the hospital of Guangzhou There look at their you see 0.96 that's super nice other Yes.
By having those AI model, we can skip young, you can skip any sick thing, type things. We can just use AI and need to wait. You can just write and immediately you can choose the corporate. This is just like I said, not even the one. It's our proposal minutes puzzle. So you can also tell this to the patient as well. So this is a very good progress. That's why we have to move on to the desert pathology. If you don't have a practice. You need to ask somebody to scan it. You need to submit it to the laboratory. Once again, you need to spend a week or so to get the result.
But if you were really doing this or diagnosis in a pretty practice, this is already done. It's already ailable but diagnosis bypass soldiers. All these guys I did into it on to rap can communicate because they would make a judgment if this is right or wrong by looking at the hology. So let pass all this to help to use it for a practice that's a very near future as we have found and the foundation by with the foundation model. What is ailable is that the video is only ailable for the murder, but anyhow, so you don't need how now probably the case is to educate something. So you can hear you need just only limited number of case to reach to the good model is your model is a key.
Also, we don't have foundation model of the psychology. Maybe I believe the landing made is the best position to create this one to re provide it in a global world. As I said, those deep running to predict those mutations, molecular alteration is a the very exciting activities of the AI. This is a paper from my friend, ta from the Dresden in Germany. But he published his group barbies and this isn't quite Ari days about the beauty, the prediction of MSI or for the column chronic cancer. And then what is surprising that they already are in a market and there are2 years later they were already in the market. You can use it for the patient already, Asian society, digital pathology.
This was just born 1 year ago at the way Asia has a huge variations, huge diversity, language wise, economy wise, level of practice, blah, blah, blah, everything so different. And important things that we don't have any society or hand that encompass that the AI and to in the Asia. Also there is no networking. We did not know about the landing man who is doing tremendous edible work. If Asia before we really are in looking at the Asia, because China for us it's quite invisible because of the communication lack of whatever. We're always looking at America or Europe, but look at that. Advanced one is actually in China.
So these are the things we need to show those readers to the world and we need to communicate in a common language. We use English, but we also use the translations. We can communicate by this. It's a very important. Also we don't have a good resource of the educations. They're gonna say, if people know if people in Indonesia knows about here, we have this system, they can come here to look at it, right? They don't need to go to America, they don't need to go to Europe. They feel like this is your episode. That's why we cannot do it. No, it's not the case. These by having AI and this episode, you don't need to watch so much worried about infrastructure. It's bright E for the first innovations.
But after that, the price is dropping down significant country and you don't need to our worried search about soldiers. You'll have a shortage of poses, but you can reach by this episodes anywhere. You can just concert to the passages in China. So immediately you can concert to the parcels in Japan, America so easily. This was a history we established we start communicating this with the Asian people like this. I started we establish the society in January. I know a it's a February actually in 2024. We establish a society in Singapore. Why Singapore? Because we want to do everything in jet in Greece, not to do it in Japan.
Because if I create a society inside Japan, always documentation of English and Japanese just not feasible to the older people when II step down from that somebody from the China, somebody from the career is now reading this in. Then they have a difficulty having of those documentation stuff. We had a first congress on October in Seoul and we had over 420 and from the 29 countries. So it was a very the Wagner was then the recently and we have over 1,300 registration. So it was very highly attended. We have we are always collaborating with vendor as well and organize international knowledge, dissemination and develop and endorse standardized guidelines. We'll try to write a guidelines together and foster partnership with legal entities and encourage county and continue Asian and professional development and advocate will regulatory support and a policy development and promoting research and development and serving as a gate to the region for academic and industry partners.
We cannot tell Asian society without China, so it's very, very important to other corroborated with China. We need to find out that right person making a strategy to get worse. There's one person there right now from the routine hospital is joining to the membership committee which was run by those the duper soldiers from the Middle East and also India. Right now that we have about the 390 and other members, individual members. We just start getting a member from the September. It's quite a good number. Activities of astb as I said, first raises our web inner was very nice successful over 500 attendees. And on Saturday band, we had, like I said this many the joint people are joined many from China as well actually from the25 locations how many countries which country has, how much of the they said the these are integration? As I said, the weapon as are successful.
And if you remember, you can get those data with the translation and you can download those data immediately. So it's very useful. We have the good group number of the the partners and running man is also the duty, your partners, one of the Top to the partners, the prospect we host a newer confidence is major Asian cities. We were doing in China soon probably. And the creating a pan Asia professional networks, establishing computer comprehensive resource for the digital pathology and set up original reference centers and provide training program and certifications and publish international guidelines and research on papers and create a large scale digital data. Data rappers reports three for everybody to use and establish a research foundation. Those are the kind of prospectives.
As I said, the cities in the region hospital, we have on site event this year in India, Bombay. I know there may be some difficulty traveling from China to India. But as I said, this is a very successful all of the superstars of the Asia is getting gathering together. We have a very nice keynote speakers from America and also Japan. We have a lot of invited speakers from all over the world. Most importantly, prisoner search now become a member. It's not expensive. I think you have a quite good benefit by become a member. It's not only a pathologist clinician can also part of this the other society as well.
And please take consider it as sapstp is your society. It's not our society, it's your society. And then everybody can we come into a core part of the society as well and has a large potential probably stronger than dpai am also a president of the American district of soldier association president. I believe that the potential Asia is probably bigger than America. An opportunity to contribute your voice to shape the future direction of it can become your mother's society for building a global network. So by that, I'll finish my talk. Thank you for paying attention. 请问大家有没有问题？就是简单的讲，他也可能太多。
简单的我说两句，简单的讲就是第一他说需不需要做病理医生需要，他说肯定需要。因为病理是一个金标准做诊断的金标准，但是病理的金标准最大的问题就是医生之间的这种误差。把标准化的问题解决，它可以解决它的这种标准标准化的问题，这是第一。是然后人工智能还可以做到很多医生做不到的事情，比如他举例子医生，一一一大片细胞要数数不过来，很快就可以数到，还有等等医生做不到的，是可以做到的，的，人工智能可以做到，但现在其实我觉得还是有一个问题，因为从日本他们从西方，你们可以看到这是他们病理医生，他刚刚展示的那种亚洲病理学会，实际上都是一些病理医生，因为他是asdpp就是pathology，他就是也是主病理医生的一种协会，不过他前面加了D就是第几种数字病理协会了。
那么现在的中国的这种病理医生第一很少人很少，工作都忙得不得了，所以参加这种机会还是很有限的，对吧？这是第一可以看得出。那么现在你再看到一点，作为他们西方的病理学家，现在聚焦在他在人工智能时代，他们其实做了很多的研究，他们用这种这种传统的就是一些技术研究方法，那么还是在人工智能技术基础上用一些统计学的方法，用一些技术的方法在做研究。
好，那么现在我们在中国因为医生差不是医生多了，所以我们的研究怎么做的，这就是我们要看到我今天早上还在跟 doctor博客在讨论是吧？他们做研究的方法是拿一个理论拿一个逻辑推理，然后拿一个这种最后的他们统计方法和这一个点的这种数据来研究来证实一件事情，而中国今天在我们是用什么？最后我们反正是因为没有病理医生，没有专家，我们就从宏村那里拿到标本以后，我们让这种少量的兵专家参与了以后，主要是靠主力，是靠的是人工智能语音大数据云平台来做了一件事情，事情做完了以后我们来总结。
最后所以我想问 doctor COSTA one question，please。 Who is the judge in AI state? Is the data. Ai data is the judge or is the pathologist. 我问他的问题就是说你做来做去用人工智能给的比病理医生最后病理医生之间还是有误差的。他误差之间他是总有物质，因为人最后你把标准还是给人，不管他是哪个人的话，拿着人工智能拿着这种显微镜其实都会有误差，不同组的人他不同的对象人还是有误差，所以我说在数字时代谁是裁判？是不是把人工制作出来，人工智能做出来还该专家人去做判断，人和人之间还有不同，对吧？这就是我在问道特福克斯会的价值。
My personal answer is both actually both ok。So it eventually, my hope is the soldiers pathologist has to map to do so. Pathologist has to have experience, to make a judgment to the air because if you are not so familiar with AI, you cannot make a judgment if AI is right or not, you need to validate your data, your diagnosis, you need to add a house, they communicate with the other society, other people by looking at the AI together. Eventually, data is having some grantors, right? So data, like I said, survival or all of those the data of the done by the surgery. This is very important grand tours as well.
But not only that pathology has to make a judgment for each variations, but I they need to have a skill to make a judgment if AI is doing the right work or not, because there isn't the disease is so diverse, then that we, as a pathologist, has to recognize the error of the AI. Right? So that and also in the future, what happened is that we are not satisfied with the current medicine. We always need more advanced one. So for that, we need idea coming from the passages who has to have new input. That's what pathologist has to put onto the AI medicine. So it's not gonna say both.
There is very important. We use that as a grand juice, but also at the same time passwords has to be the person who make a judgment of the AI so who has to really make a judge if we are doing the right thing or not. But to do so. But this has to learn has to have a lot of the experience of the AI. Thank you. So what do you think is the clinician, not only pathologist, but also the cleaning like a surgeon, like the physician discipline because for the whole circle of the patient when they recovery or not. Right? So thank you for very, very much party also.
他就说了，其实他说现在作为标准，目前应该是数据和医生共同来做这种标准来评判，所以这大家我觉得他说得很对，实际上在这个阶段医生和数据他作为一个单独的医生来讲，或者单独的数据来讲，都是有困难的，但是走到一定程度的时候，这个标准又在会不断的在变化，所以这只是刚刚开始，所以我们应该说我们自己要你看的你看得出来，中国做人工智能和西方现在做人工智能的不同，对吧？我们是在做什么？而且做的大家也认对吧？我们做的事情全中国全世界也认，他们做的西方的标准也认，没有人也不对，对吧？所以这个中间实际上怎么再往中间走融合，所以说我还said to in this kind of stage, for your kind of way to do the study about AI and way in China because we don't have enough pathologists and also we don't have people to do the study by we practically in the site after the clinician.
Yeah, but what you're doing is great because you already know that this is improving practice, right? The result was kind of coming from the clinicians that the biopsy is that what diagnosis you do the surgery and that it comes back with answer. You already know the answer that are what you are doing the screening. There's a the good method that without having those had a good resource of the passages, you can still make those in a good models. So I think that's what you're doing is already outcome based end to end. Exactly, I think like I said, this is a very outing. Thank you. So I think we will need more pathologists to go to asdp. So to have more kind of communication, we, education and learning.
Everybody has to what's going on. Everybody has to be with together, be used to about those things. If you are no, but you don't use it, you are behind. Exactly. 所以我就说其实我们的中国的病理医生应该更多的去参与到asdp，DP因为最需要的是病理医生的共同语言和我们的AI再结合在一起的话会更快更好，实际上他们是他们的病理医生的语言，所以我们也就是你看他刚刚介绍sdp是欢迎大家参加他的asdp，所以我觉得大家应该积极的参加，所以参加了以后我们有更多的这种交流机会，实际上这种国际水平就是这么诞生的，好不好？谢谢。
Thank you so much. 谢谢。其实下面我们基于刚才的这种讨论，我们也应该说人工智能这个时代它带来了好多好处，但是我根据我们的经验有很多的挑战，这种挑战就是虽然它有这种高质量低成本、高效率，从湖北的项目非常明显的体现了，但是它的挑战就是一个新质生产力，也就是说现在是一个新质生产力了这种筛查，但是我们的生产关系就是说每一个生产力和生产关系如果不匹配的话，它是不能发展的。
比如说现在的诊断标准刚刚提到了，谁来判断，是不是也纯粹的像庞博士这种工程师，他说他的模型如何的好？还是一个单独的病理医生，就说我们的AI，我们人人工智能做了这么多标准，怎么去判断？再一个责任怎么鉴定？你有了敏感性和特异性也就是说，你有漏的可能，你也有假阳性的可能，那么这种责任的判断界定，还有医疗的AI的收费，其实全中国面临的所有创新的人工智能的这种产业都没有盈利，南丁还是盈微利，连续三年。
所以在这个时代，医疗的AI的收费定价，包括将来的医生的参与和我们的这种医保的报销等等这些制度没有定出来的时候还是会有很多的障碍，所以下面我们就来做一个大家的这种一起来做一个这种讨论，我们来做一个参会的这种讨论，大家都可以发言，针对大家自己在现实面临的问题，和我们有一定经验的专家们，从不同的角度，有不同的医生都来提出问题，来共同做一个这种讨论。
第一个，我们就想讨论的主题。我们的第一个发言的就是浮云。我们第一个发言的就是有请李总监主任，也是，我们南丁的十堰市的这种负责人，他来介绍一下我们的来介绍一下我们现在做的一些筛查和存在的一些问题提问。各位专家大家好，其实是这样的，我作为一个十堰市的管理者，我也跟我们的医生接触的是比较多的，我们病理医生，比如说我们张伟主任，他在我们整个湖北的项目中，他是做了非常巨大的诊断工作，我们也给他做了一些在协调沟通的过程中谈到了他一些个人的体会，现在我也代表十堰市来给大家来谈一下我们对AI是怎么来看待的。
往下。第二次。其实像我们张主任是一个比较典型的例子，他在南京来了三年，然后经过了湖北省的巨大的筛查工作，AI诊断的项目，他共同完成了170例的筛查工作，筛查和诊断的工作已经得到了报告发出去，得到大家的一个共同的包括临床，包括组织病理的一个共同的验证的工作。
那么他作为医生来说，我们在整个实践的过程中，病理医生他其实在 AI的数字平台的过程中，它是从一个经验诊断到数字诊断的转型的过程中，那么作为病理医生，他在AI中起到的作用，首先它是数字病理技术的需求者和提供者，也是，我们这个AI数字技术落地的验证者和优化者，更是临床技术应用推广者和教育者，也是，他技术能力的守护者，其实从刚刚我们的专家介绍 AI，包括它的标准的时候，其实我作为我们刚刚参会，包括学习到也见证了我们张威主任的这样的一个观点，这个过程中也就在这过程中它是一个辅导，一个辅助的作用，但是它绝对不是一个替代南京从 600多万例的数字里面的诊断的过程中，应该应用的他的风险意识和他的实际应用都是我们南京一直在坚守的。
同时对于 AI技术的潜力的开发和未来的这样的一个重新的验证，这都是需要我们医生以及我们所有的包括我们管理者，通过一些实际上包括一些体系上的对他进行一个医学的这样的首付。第二点就是AI在我们整个诊断医生的诊断过程中，他提高了医生的效率，那么包含着它的诊断的效率和一个质量。
AI适合的应用场景，包括着医生能做到的一些医生可以发现也能发现的，但是也涉及到一些由于数据量巨大，医生做不到的AI也可以辅助完成，这个数据在我们整个湖北两癌的巨大的工作中得到了体现。最后作为人工智能的诊断，它实际上它诠释了一种受检者和医生之间的一个关系，新的关系就是我们说的一个数据平台的关系，它其实是让受检者通过云端得到了一个双方都共同得到了更加便利的一个作用，包括医生之间对医生来说他是实现了更精准、更轻松、更自由的一个过程。
对于患者来说他能及时的取得报告，然后明确这个诊断对双方都是有非常好的这样的，包括患者的医疗体验等等这一块作为整个实验室的管理者，我们在整个鉴定AI技术的过程中，包括我们医生的诊断，我们实验室也通过人工和这个标准之间，我们也在切实的进行这样的一些体系方向的构建，包括我们在实现15189等等这些方面，当然未来 AI方向的这样的标准需要更多的专家倡导，大家共同的营造更好的一些标准，来符合我们的当前发展的这样的一个历史的平台。
第四点就是南丁的病理医生在AI创新中的一个角色，通过600多万例的这样的一个是诊断的过程中，第一作为核心它是起到驱动的作用，同时由于医生在此他经过复核，他也严格的把守着质量的关口作为男婴a技术的落地经验的验证，以及他的优化的这样的一个未来的数据，也需要一个体验到，包括把相关的算法训练变成跟我们的病例相对应的今后的这样的一些金标准。另外我们也可以通过动态的AI临床验证，性格不停的进行纠错，提高 AI技术的这样的一个可靠性。未来我们病理医生也希望与AI的技术共同进化，推动着项技术的普惠，缩小我们国家的城乡之间的一些诊断上的差距。
当然这个项目如果惠及到世界，同样也是可以受到世界各个方面诊断医生之间的一些差异。好，谢谢大家的聆听。下面看大家请大家提问题了，因为看你对张主任的我提一个问题，刚才我看到上面写到张主任三年长整了170万例，我而且PPT里面写到说 AI它是一个辅助的，不能够替代医生的，我想看看您这个是怎么来理解。好，邓主任好，麻烦您帮我作为病理医生帮我解答一下。
刚才那就发一个什么？它的品质增效。在提质增效方面有很大的作用，是不是？所以来说这个发展是怎么样会火爆，是吧？它就是质量它提高了是吧？效率提高了，所以它只是作为一种工具，它不能够代替病理医生，那么我们病理医生将来转型要做什么？就看一些复杂的疑难的片子，是吧？这样病理医生再来解决这个问题，这是第一个。第二个跟AI在一起协同协同发展，你刚才说了是人加上机器协同发展才是能推动这个科技的进步。
所以 AI它是一种辅助工具，它不是一个决策者。好看，其他还有没有提问？还有个什么问题？如果没有的话，我们就请下一位李传军李军川主任来讲一讲AI的这种诊断责任与安全。尊敬的孙老师，尊敬的主席，大家尊敬的各位专家，大家下午好。其实我们作为一个临床医生，确实我们是病理医生，对AI的认识其实是最近几年，刚才孙老师其实讲的，AI中间双向奔赴的人很多，包括临床病理医生，还有一些做AI的这种科技工作者，其实中间的结合点，我们现在其实也是很迷茫的，我们往细的想，好像我们也很对非常感兴趣。
但是其实我们好像离AI又觉得也有点远，但你说我觉得远我也不甘心，我觉得我就在AI边上，从南京的发展我们是很清楚的，我们跟南京在一起其实也做了很多工作，但是从南京的数据我们可以看到，从它的结果可以看到，他的AI是做的让我们就很惊讶的。那么我们仔细再想一想，真正能约离我们临床病理有多近又有多远，其实是一个很值得思考的问题。
其实刚才我们主席。先生讲的这种研究方法，其实在我们国内很多大学也在做，但是很迷茫，因为我们的结果我没看到，但是我从南丁的筛查里面，我看到结果，那么其实对于对于 AI作为一个临床病理医生来说，我个人认识它拓展了我们病理学科的边界，其实也在改变我们病理科的工作，包括我们最简单的应用方式就是数字切片的应用方式，让我们有远程会诊的这种存在，但是它其实还是人，它看的是数字切片，其实他是不是AI出彩的说他也算，但实际上它离AI的本质差得很远。
我现在再去看它，那么国内现在应用的 AI说了数字病其实只是数字的病理，而不是数字的病理是吧？但是也算AA的一部分，它改变了我们病理工作，但是它的最终目的作为我们来说，我们病理是叫用于临床病理工作。那么当然AA他做的这些工作其实有很多最粗浅的图像分析，辅助诊断，其实还有我们现实生活当中的现实工作当中的质量控制和技术流程，其实 AI的应用对于我们真正的AI真正的标准化的应用是起到一个基础作用，但这一点在我们来说AI是很弱的一项。
目前大家好像湖北的数字化病理提到了这一项要做数切片的指控，用数字来控在做数字化病理的切片的指控，这个是在做的。那么我们对AI我觉得最近的 TCT供给的业绩薄业绩的片子是吧？而在南京的这个地方，我体会到AI真正的应用，因为最后它是结果为导向，真正的那些最后我们是要结果为导向，我真正的用了人工智能去做，做这个病理的诊断，而不是而是在辅助在增强上面做更多的工作。
所以这是我对 AI的粗浅的认识。其实我今天的主题是还是诊断的误差和责任的界定。那么其实这个课题这个内容是很广泛的，但是因为诊断的误差是我们前面加AA的诊断的误差，其实在我们所有的人人参与的过程中都会出现误差，这是我们采样制片的诊断在指控都可以出现误差，但是我们出现了AI之后，数字病理数字化的切片之后出现之后，再加上AI之后，我们的误差能消能消失吗？不能。
那么这个是也可以用放一下，我们孙老师给了我们整个大概20多秒的一个视频。能放吗？应该是可以放的。其实就是整个我们实验室的整个流程，它其实我们保障我们做AI诊断的一个前提，它的整个数字化流整个自动化流程，那么我们自动化流程的一个一个呈现，然后把它变成信息化数字化，最后是走向我们整个制片过程的标准化，这是我们一个 AI出现少出现误差或者探讨AI误差的一个前提，一定是要标准化的制片流程，减少人为出现误差的可能性。
所以这就是我们整个要谈误差之前要谈。那么这个就是我们南京的整个整个流程整个过程墙上也有，我不再做赘述。那么其实就提到了我们刚才孙老师反复提到的敏感性特异性的问题。只要是科学的事情或者人参与的事情，然后出现的一定会有敏感性和特异性里面我们讲到这是一个大样本的一个AI的和人工的数据的对比，但是AI的细胞学的特异性和敏感性都是非常强的，比人都要强。
都要高是吧？那么其实真正的要达到我们最理想的要准确性，敏感性都要达到100%，但是不可能平衡点，对于我们来说做临床病理的人来说的话，尽量的让准确度和敏感性尽量的高减少中间减少人为AI，通过AI的这种尽量减少比例，尽量减少这种误差，所以我们要高的比例的平衡点。诊断结果的误差其实出现很多，当然这个只是我们学习的一个总结，其实出现了数据之外，还有一些应用的场景，还有一些人文的场景都可以导致最后我们诊断的误差，那么其在AI辅助诊断当中，病理医生需要明确的。
一我们的AI结果是参考而非诊断。第二个， AI阳性的病例要强制医生的负荷，但是对这两句话的理解，我觉得不能完全去去这个就叫书本化的理解。规定AI的结果为参考，这个要是什么规定？用法律和法规，我们要做出我们AI所有参与过程当中，包括我们的智能化的这种诊断的系统，要拿证，要给他身份，然后它的结果要做一个什么样的级别的参考？就像我们现在用deepseek，我可以我们试过用dbc课把我们一些对病理切片的文字描述输入到 deepseek线里面，它可以给出你非常详细的鉴别诊断，那么这个是不是叫参考？是叫参考。
但是我把图像转化成文字输进去，因为它第一个是一个它不能看图，他给的诊断非常有意义。那么这也是一种参考，那么我TCT的切片也是用AA，难道它的结果仅仅就是所谓我们理解的那种参考吗？我觉得不仅仅用参考两个字来归纳，我觉得叫筛查，相当于排名的医师的水平。那么排名的医师水平在国外我们在说的话，它是有合法的资质的在国内我们有参考两个字替代了它，那么我们在后面的物这个里面能不能给他以相应的身份，通过这个法律法规，所以参考而非诊断，这两个字稍稍有些武断。
筛查是不是诊断的，它就初筛也是初步诊断。我觉得我们达到的结果，现在在细胞学上，特别是宫颈的TCT上，已经做到了这种初筛，再加上后面的医生的复核，其实已经达到比较完美的一个细胞学诊断的流程。其实我们现在对它出现的误差，只要给他身份都不叫误差，都不叫误诊。这是我们从法律法规上给他以合法的这种流程。
所以我们现在做的不是说把这种误差去界定他的责任。因为只要人参与的所有的责任肯定是医生，是吧？医生的责任，但整个医责任是是要划分的，最后不能说给所有的医生复核医生的责任，所以我们要通过后面的责任认定，如果出现技术的缺陷，医生的问题，那么是医生的责任。
那么技术的缺陷，我们通过现在AI的不断的改进，其实它越来越小，我们在南宁的TCT的数据的判断上或者一个诊断上面，我们已经看到了它的诊断的缺陷，或者是误差是很小的，就像你刚才说的是一个合理范围之内误差。那么当然通过其他的手段，我们去做到这一些，最后其实他的责任我们其实做责任的判定和和界定的话，其实真正的他不是为了推卸责任，而是会让这种误差更小，让责任有所担当，该谁负责就负责任，所以我们要责任、技术、伦理、法律、人文上给我们的AI诊断过程，以相应的流程有相应的规定，这样才能去谈误差和谈界定。
然后我在这撇开这个去谈，那就没有意义，因为我们追求的就是要所有的责任归属要明确，技术是完善的，能力上是有充分考量的，法律法规是健全的。我们还要从人类学的角度去规定所有的角色，这样我们才对一个AI的诊断过程给予他相应的责任，然后我们按照相应的流程去做相应的事情。
这种责任即使出现，该医生承担医生承担，该整个数字AI承担承担，该哪个主体承担就该哪个主体承担，非常明确，不用划分直接就出来。所以这是我对整个我们今天孙老师给我归这个主题的一个理解，其实真正的误差会越来越小，在正常范围之内，真正的责任出现了，我们不怕，因为它在规定流程在合理的范围之内，所以所以我觉得误差和界定是一个小事情。
我们真正的是要把AI的整个整个过程做得更好。其实在男丁的身上，虽然责任和误差没有去想，但在南京追求 AI的诊断上面，特别是宫颈T的诊断上面，我觉得是一个典范，我也觉得是跟临床医生靠的最近的 AI应用的场景。所以这是我对整个理解，谢谢。非常感谢李主任他刚刚讲的很有道理，其实很多东西是在不断完善的，我们细胞学组我们胡主任他是参加了这个项目，一直在做指控，我觉得这要是如果如果李主任和胡主任，我觉得你们写一篇就把湖北的指控文章拿人工智能，包括它刚刚讲的这些话写一篇文章，因为中国科技部现在还会有个规定，以后的好文章要在国内的杂志发表，然后才认对吧？所以我觉得湖北的文章对吧，其实刚刚我觉得胡主任是参加指控了的，这里在座很多专家参加，指控了，我们认为把湖北的项目把这个题目说出来，去写篇文章是很有价值的，好不好？下面看李主任讲完了，看大家提问。
因为现在确实这个名字根据现在基本上就是一个趋势。现在不管是我们医疗的临床病理，我说话听得到。都现在C dbck应用就很广泛，所以我想提一下，怎么样看待现在很多业务提这个问题。我好我来回答一下。反正今年以来我觉得大家都对人工智能就比较火，最大的一个特点就是我记得春节的时候中国出了第一部CK，然后各个地方大家就认识了人工智能，甚至很快就接受了人工智能。
特别是现在很多医院在部署第五C等等一些大模型。实际上大模型 DC它实际上我们叫大语言模型，它是人工智能的一个最底层的技术，也就是能够帮助电脑实现人的这种听说读写的这种能力，我们叫做基础的能力。我觉得我觉得这不是最简单一点，它实际上是一个人工智能时代的开始，至少说中国的人工智能时代的开始。现在有一句话叫说所有的行业都值得用人工智能再做一次，是吧？我觉得这句话说得很好。那么中间有几个关系我想跟大家明确一点，第一点就是deepseek它是一个基础模型，这个基础模型它是帮助我们电脑实现了听说读写，能够帮助你很快的查阅资料。
所以实际上我们这些所有的人去用deepseek的时候，最重要的一点就是跟他对话，能够帮助你去查阅一些资料，这种很快它实现的功能是什么？它实现的是一种我们认为是一种叫通识教育。也就是说在我们的电脑上，我们能够它能够学习我们的这种比如说通识的教，通识的这种教育是吧？比如说能够回答问题或者简简单单的，但是实际上从专业的角度来说的话，那么我们从第二层我们称为叫垂直模型，垂直模型就是说在重点的一些专业领域，比如说医学，比如说金融等等一些，它会出现一些基础的我们这种专业的模型，这个模型实际上是以deep或者ChatGPT这种通用的人工智能模型为基础，在上面构建出来的新的模型，或者说它是一个专业领域的模型，我们有点类似于一个火箭它要发射分几级，最底底层的是chat，GPT或者deepseek这种基础模型。
第二就是人工智能这种专业领域的模型，那么专业领域模型我们南丁的赛道brain，我们收集了大量的这种细胞数据，病理数据训练出来的模型，实际上它就是一个类似于专业的模型了。那么第三点就是说我们如果说再高层次一点的话，那么就有一个应用的，比如说我们在更多的涉及到更专业的一些领域，比如说胃癌、肠癌、口腔癌在每一个癌种，它实际上都应该有一个专门的模型来对它进行一个诊断。
实际上我们可以说这是一个成类似于金字塔这样的结构，所以第一个是我认为是一个很好的事情，就是说这种开源的模型能够让我们的人工智能的开发或者专业的这种模型的开发更快，那么能够让我们的应用更加迅速。那么但是我们更重要的一点是各个行业有各个行业的问题，我们叫特异性问题，在医学里面有个专门的词叫特异性，所以在各个行业里面，我们必须自己去收集这个行业它专有的数据，解决它特有的问题，形成专门的模型来真正解决这些问题。
不是说一个地不是或者一个ChatGPT，就能够解决世界上所有的问题，所有的知识，我认为这是不可能的事情。但是好的是我觉得一个新的时代已经来临了，这是我自己的理解，谢谢。再提正常或是提再提个问题。现在很多医院都开始使用开源的人工智能模型。对这点对于男丁有什么影响？ Ok我觉得首先第一点开源的模型其实就是类似于deepseek这种，那么也没有开源的，其他的GPT早期开源，后来也没有开源，现在还有很多其他的一些模型，我们刚才就说了这种技术基础我们叫基础模型，大部分的开源模型都是基础模型。
那么它主要是实现了一个最基础的人工智能听说读写和通识教育这种能力，但是真正的我们如果说要做更高层次的应用，实际上每一个行业都会有每个行业的这种专业的模型或者叫垂直领域模型。那么实际上我们认为各个行业刚才说了收集数据，然后打造自己的模型是非常重要的一点。
那么实际上我觉得就有点类似于什么，就是说通用的这种模型，它实际上我做出来一个汽车，做出一个卡车，但是汽车是用在你运输领域，还是用在乘客还是用在哪个领域，实际上它有每个不同的问题，你可能对汽车或者对这个房子要进行一个改造或者是装修，让它适应不同的一个行业的问题了。那么现在我们认为在特别是在医院里面，我觉得dvc它现在部署了这种开源模型，有一个大的好处是让我们的医生能够很快速的去检索知识，比如说你原来不知道的一些信息通过deepseek，能够很快的知道我这个是什么事情。
那么在这基础上，实际上我们也专门打造了像我们自己的叫4秒模型，4秒模型你们更多的是病理知识，让大家可能快速的了解病理领域有哪些东西，这个里面包括我们报告的解读等等一些。所以实际上我们认为混元大模型非常好的一点是能够让我们的人工智能能够渗透，快速的渗透到各个领域去。那么接下来我们可能更重要的一点是利用开源模型来打造我们不同的行业，特别是像我们的病理诊断行业的一个模型了。
好这样好，我问你一个问题就是请假。刚刚李川主任讲的说人工智能作为图像分析系统是吧？用于河图还有古迪森前列腺癌的过程评分，再加上还有 K67职称指数，我们平时判现在都是我们自己主观没有客观的依据，像特别是像我们南京过去开发的DNA，把那个软件稍微改造一下，就可以作为这种医疗上广泛用的软件，可以作为商业开发，我们很希望有这种开发，也不知道现在我们市场上有没有这种商业的开发这种软件，比方说或者说人工智能用于 AI诊断，他们都买了这种商品的软件是吧？你们软钉这个是软件合适作为商品，对上次应该是很有广阔的应用前景，也非常受大家的欢迎，有没有这种打算？有没有这种想法？其实这个软件再怎么去看这个软件的问题，就是在临床医学用软件，其实人工智能它是一个生态是个体系，也就是说从一个细胞离开人体那一个这个细胞走到比如说包括十堰市的制片染色，包括它的信息的登记录入，最后是谁做的制片，谁做的染色，谁做的扫描，哪个扫描上传，因为扫描上传的扫描仪不一样，数字传到天上的那种人工智能的模型，它可能都会有偏差，所以现在我们的体会也就这么多年的体会，也就是说做一个全流程的自动化、智能化、数据化、网络化、标准化，人工智能云平台上的这种模型，你为的是更越标准越好。
如果你用的不同的制片机，不同的扫描仪，然后用不同的渠道上传，可能误差不，所以我们对我们这个平台上有十几个软件在外面卖200万一个，其实我们是没有在这个软件上去卖钱干什么，最终就是刚刚他讲的就是doctor focus讲的，你最终的是这种结果，最后的结果。所以为什么总是外国人说中国的有大数据，有没有高质量的大数据，所以高质量的大数据来源于从哪里？从一开始离开人体这里，病人成了数据源，你不要把病人看成病人，原来是病人跟医生是人和人的关系，现在是病人成了一个医疗数据链的终端，它是提供了数据源，然后通过5G把这个数据到了我们的数据转化，扫描仪转换成数据，到云平台上医生根据数据做复核，然后医生的这种数据越大，并且数据源越大病人越多，我们的模型越精准，然后我们的医生越轻松，最后医生知道设备医疗设备是要做哪样的，更简单更精准，然后成本更低，所以它这样的一个关系出来了以后，我们就一直在探索以终端的结果为导向，这就是大家的佛号上讲的。
南丁是以终端的结果为导向往倒的推，你哪一些怎么样，所以我们要想赚钱的话有多种赚钱的方式对吧？但是我认为最重要的最后是你要靠看准你要是标准化，不管是谁，就说为什么口打个口哨他用，他的研究方法，他们用高级的这种专业统计学，但是南宁市没有医生的地方，用人工智能最后解决了，单纯靠个别不同的医生去解决都解决不了的问题，他们是有医生在做净化，他们在做精他们偷看包又搞plenty pathologist，you're going to do much better than pastoral。
We don't have any pathologists yet。 We want to just reach just so you got这种low level or just graduates new graduate pathologist level for the screening。So that's level for AI is enough，right？So that's different way to do the study，所以这就是我们现在用不同的方法来做，也做这种人工智能的研究，所以南丁某种意义上不是个企业，我们是一直说是拿企业的方式在做一个研究，24年完成了一个人工智能的生态体系的研究，所以我不一定准确了，就在说这个事情好不好？好，现在我们临时插一句，我们远道的一批个人从甘肃庆阳市，他们是我们中国这种东数西算东边的数据，西边的算是他们青阳市这种最著名的，所以他们的算力中中心将来是中国最大的这种节点，所以我们的妇联主席上次到了南京，给了我们这样来探讨，如何真正的把这种人工智能大数据，把中国的这种真正的节点，然后能够联系上的话，联络上的话，实际上大家的这种空间的合作，其实也是对中国的人工智能的一种推动了，所以我们今天他们刚刚到很辛苦，从甘肃庆阳到了这里，先把会开完了，我们一起我们再请你们到时候也可以参加提问和讨论，他们有妇联主席，卫健委的领导，有医院的这种院长和领导专家都参与了，所以我们在这里正在开会，大家一起讨论好，我们如果没有这个问题的话，我们就继续一下一位，请邓特主任讲一讲，就是细到一些病理体制的创新，科技的创新和产业的创新。
尊敬的主席，尊敬的孙老师，拿那个话筒在这里。这个时间尊敬的主席，尊敬的孙老师，各位领导，各位专家下午好，下面我跟大家分享的是AI的生态建设，我们从湖北省全覆盖的宫颈癌筛查的项目来跟大家分享主题。那么我们湖北省宫颈癌的筛查应该说是打造了一个大规模肿瘤筛查的标杆，那么这个标杆应该说从6个结合来组合，第一个是政府提供的筛查服务，刚才我们孙老师已经讲了，这是政府主导的项目，所以今天我们的庆阳的政府的领导就来这里参观是吧？政府提供经费，然后建立网络，然后再建立培训，这样我们就形成了一个机制。
第二个就是南京贡献了AI技术和我们的产品数字的产品。第三个是中国电信成立了5G的通道是吧？你看我们这里就是5G加AI的体验，就是中国电信挂牌。第三十四个就是阿里它的善力和储存，这方面我们同学是非常清楚的，数字定制的数字经济的同学。第五个就是腾讯，整个管理运营平台都是腾讯，还有我们的厂家来提供制片染色这些扫描自动化的设备，所以我们就是总结一句话叫做强强联手，打造了世界领先的医疗AI生态的合作的成功案例。
那么这一次我们把它总结一下来归纳下来就叫做体制创新加科技创新加上产业创新，这是一个融合是吧？我们省委书记王忠林书记昨天准备来这儿参观的，领导来重视，所以特别强调科技创新和产业创新的深度的融合，那么我们南京就做到了这一点，这是国家卫健委的新闻发布会，在向全国推荐了湖湖北的人工智能宫颈癌筛查的成果。
那么我们现在看一看整个我们的生态建设包括哪些方面，第一个就是我们扫描工具的改变，扫描工具的改变我们知道我们要做病理诊断的话，第一步就是扫描，那就制片染色、扫描上传，这是一个流程过程，那么我们扫描工具的改变，在我们这边南京各种不同场景的全自动扫描机有大家刚才参观也看了，有多种型号的，有各种通量的我们都可以了是吧？如果你是大的，我们就有每天1万片的可以做了给你扫描，尤其中型医院，大中型医院每天完成500~1000例也可以，还有小医院的5小于500片的也可以，还有几十片的都可以，所以我们需要什么样的扫描仪，我们这里都可以提供，这是一个扫描仪的产业。
第二个就是阅片方法的改变，大家知道我们刚才就是讲模型，大数据大模型，我们刚才主席也反复强调在他的PPT里面模型，那么我们可以说蓝天有最大的最好的数据集。这一次我们的总的样本量当然超过了因为1,200万，现在基本上1,300万了，那么我们总数据量1400个tb等等，这些都是叫大数据大模型。第三个就是人加AI来协同诊断，刚才我们的庞博已经讲了南京4秒大模型，我们搞病理医生大家都知道，我们细看的是看细胞的时候，看片子的时候，我们AI来把这些细胞进行诊断的时候，AI它也是诊断有依据的，比如说我们看到的话来源于中层的细胞，看到了挖孔细胞，看到了核的改变等等，是吧？这样就根据我们的AI就把这些细胞就把它全部找出来，就在我们的整个全片扫描之后，把这些有问题的细胞找找出来，找出来之后AI再跟大家再把重点的细胞再标记出来，最后我们AI还可以做样本的分析，那些分析就包括你的这些细胞是哪些是可疑的，细胞是怎么样？是可疑，有好多是吧？在数量是好多，最后得出一个结论，也就是说我们整个AI和协同诊断的时候，把你的整个都可以呈现给大家，这就是我们现在开发的南堤寺庙大模型。
第四个方面就是人机协同多模态，是吧？这个人机协同第一个是有人，再就是这个机器人工智能再来协助人一起搞一起来来进行工作，比如说的话人 AI它方便把细胞进行的对我们的整个细胞进行扫描，然后对我们样本来评估样本是不是合格，是不是 AI的助理医生 AI来抽筛，还可以抽筛把哪些排阴是吧？刚才我们都在听到排阴，排阴是不是我们就是把这里没有问题了就排出去是吧？那么 AI还可以进行质控等等，这些都是AI可以完成，那么我们医生做什么，医生做复核还可以做专家做质控，所以这就是人机协同来共同完成一个诊断。
这就是这一个就是我们南京的核心技术，我们南京的核心技术一方面就是有悟道大模型，刚才我们已经讲了。第二个数字云平台诊断，第三个是机器人，在一个整个三个大的核心形成一个整个的完整的体系，这样我们就可以做到我们整个完备的闭环的管理，这有这么一个基础大模型了之后，对于其他的哪一种，比如说口腔癌，还有胃肠的，还有乳腺癌等等，那么有这个基础模型的基础上，我们再开始垂直模型，只要你要到500~1000例，比如说完成一500 1000例口腔癌了，那么这个模型口腔癌的模型又形成了是吧？就是这个道理。
然后人家在应用过程中也需要注意一些问题，第一个就是数据安全与合规性是吧？这里面都在谈到这个问题，包括患者的隐私，还有数据的合规的使用等等这些这些国家大数据局正在制定这方面的政策，有些法规它肯定是落后于我们的现实的，是不是也就是说？你只先做，然后再来制定制度来规范它。
第二个数据标注的质量是吧？数据标注的质量要有达观数据专业的人员来标注，我们标注的流程，专家的审核，还有质控的体系等等，这些就要保证我们数据的标注的质量。第三个就是临床有效性的验证，是吧？需要验证，我们需要第一需要大数据的验证，也可以做多中心的临床实验，还可以做对比的研究，所以我们同学们在这也可以做这方面的这些研究来发表论文。
第四个就是能力与责任的界定，刚才我们的李主任已经讲了这一款，第五个叫技术与场景要适配，你不能是无限的夸大它的作用，AI是一个辅助诊断是吧？它不是一个可以替代的医生，不是一个可以决策的，所以要慢慢的训练他，他就训练的越多就越聪明，所以他在他的实际能力到现在，AI还刚刚开始，他还是个小学生，是不是慢慢的他就越学越聪明越成长，这就是跟我们人的成长是一样的。
听老板还有一些落地的问题，落地的问题，一个人的支付体系谁来付钱定价等等这些方面怎么样进入医保国家也要研究。第二个还有一个难点医生，我也在在在调研是吧？Ai如何进入病理科，医生怎么样去使用，因为现在医生他们这个习惯了原来的思维方式，如果说用来用AI的话，他们有些不习惯是不是？所以但是大家都是很拥抱这个事情的，因为我们在在好多医院去跑的时候，医院的院长和医院的医生他们都非常接受是吧？觉得但是他们告诉我，你要用一个最简单的东西，要搞一个傻瓜照相机一样的东西给我们去用，那我们就ok了，是吧？第四个还有一个就是风险与动态的监管，是不是因为你在不同的在进步，所以包括我们模型要优化是吧？再就是疾病诊断指南发生了变化之后，我们再要更新等等，这些方面都要与时俱进的发展，所以这些方面这就是AI使用过程中要注意的一些问题，所以我今天就跟大家在一起就探讨一下AI的生态建设，谢谢。
好。现在因为时间有限了我们就不提问了，邓主任讲完了以后就请我们同济医院的刘利民主任讲一讲这种细胞学的指控，这个细胞学指控与诊断水平用AI怎么来提升？各位专家大家好，今天就是说我孙老师跟我就是说讲一下细胞病理学指控，要对话筒对指控与诊断水平的提高，那么现在就是说 AI现在发展得很快，那么细胞病理医生也面临了一个巨大的挑战，我们和AI一样要共同的成长。
Ai现在因为在南丁 AI前期的训练当中，我是知道你知道南丁的 AI的水平相当于我们是因为都是一些个专家团队在训练，因此它相当于一一开始，他就是一个博士生，那么我们普通的一些诊断医生，我们是从大学开始一步一步的在进步的。说到细胞学的指控，我们胡主任他是很有发发言权的，因为他是搞湖北省细胞学的指控，那么在非妇科这方面，我们已经发现做质控的话，其实从标本接到标本到最后报告的初报告指控当中，其实很难从标本开始，我们像检验科，像这个病理科能够做到很好的一个质控，我们现在多半都在做诊断的这一方面，片子已经做好了，诊断的指控相对的要容易一些。
那么在系统病理上面，因为我们科室是做的是非妇科，不是妇科，那么就是更难，因为它存在一个标本的取材的问题，它的重复性很差，那么我们做这种质控的时候应该怎么做？所以我现在就是说讲细胞病理学，尤其是非妇科的细胞病理学，我们从标本采集方面一直到染色、制片、染色、诊断，最后发出一个报告，这方面我们是如何做？就是说标本采集这方面，我们首先要做到。
不好意思，我的我有点干。我们取材部位的选择，因为这个它是一个真菌细胞学的优点，就是一个可重复性，因为它创伤比较小，那么取材部位选择可能我们会在临床上经常会有换点多点多部位的这种取材的方式，同时我们还有一些个设备的一些辅助，比如说B超引导 CT引导增加取材的准确性。
另外一个就是一些个特殊的操作，我们需要一些个床边的一个诊断，比如说签字镜，他要求我们当时现场诊断，我们就可以知道标本需不需要复查，因为病人还在麻醉中，所以很多的配合就是说在我们医院来讲，只要医生有需求，我们就能去做去配合，那么在标本的留取，避免细胞的溶解以及其规范的细胞标本的存放的时间、温度、固定剂、保存剂各个方面，每一步我们都要做到一个核对，做到一个标准化。
最主要的另外还有一个就是我们信息的核对，这是一个很重要的很繁琐的工作。我们在4片染色方面，因为要标准化的流程而减少一些个因为人为的一些个差异，那么制片满意与否直接影响到诊断的结果。所以就是说我们在做片子的时候，我们不怕打板子，我们诊断医生一定要有需要复查，那么肯定要复查，需要重做我们就重做，就是说人工可以做一张均匀一致的图片，单细胞的图片肯定重复性没有，我们说的制片机做的更优势更有优势。
那么首先就是说人工与自动化标本的制片的对比，我们所以存在一些人工的话，它就存在一些个体的差异，每个操作者可能对流程的理解有不同，因此它差异性还是有的，它的重复性和一致性都差一些，那么这个机器自动化的它的重复性就好，因此它可以保证每一个样本的处理的一致性，另外就是一个随机性和批量性的一个处理，那么我们是人工手工操作的话，它随机就好，我们急诊来了，马上就可以做，马上处理。
那么就是说你适合于小量小标本量的那么大标本量，如果人工操作就是很繁琐，这时候自动化的就适合于这种大批量的一个制作的话，效率就更高一些。从应用场景的话，我们人工制片的话是主要就是应对急诊，再一个就是我们一个满意的制片满意度的一个标准，这样的我们要规范它的标准，因此就是说人工制片就存在了一个巨大的挑战。
那么机器的制片它每张图片都是很一致的，很因此他这就是说有利于一个诊断。再一个满意度的话与这个诊断之间的关系。刚才我说过就是说我不满意的标本可能导致误判，因此我们要强调标本制片的满意度而提高诊断率。那么规范的诊断化的诊断要点的标准化，通过细胞的形态结构，我们来判断细胞的良恶性分化程度，出现一些个不明意义的细胞的处理，这些我们都要科室我们都是做了一些个规范的。
我们说比如说有时候是可以通过复查，通过一些个制片，在一些不能真正不能明确诊断的，它有可能是一个疾病的发展的过程，那么我们做一些个描述性的诊断反馈给临床，并且指导临床做一些相关的检查，我们这样反复的印证结果。我们报告的指控上面主要就是从规范的报告形式，再一个就是阳性诊断，我们要做到复诊，这个复诊是自己复诊，那么加审核，审核就是一个上级医生的审核，所以就是阳性的报告我们是复审加审核，阴性的要做抽查。
你说问我们现在南京做的，我在阴性标本里头，我每天要抽查出，他说数据是规定10%，我们就是随机抽查阴性标本，有没有漏诊的情况。然后再一个就是阳性病例的追踪与随访制度，不定期的做一些临床的追踪，再一个就是与病理组织病理学的一个对照，再一个就是避免尽可能的避免亚信阳假阳性的出现。从子弹水平方面，就是说我们人工诊断与诊断水平它是人工的话，我们这么一个诊断者的诊断水平，它是与诊断结果是成正相关的。
那么人工智能因为它整个诊断是一个统一的，它更适合于诊断医生匮乏的，诊断经验不足的这样的一个单位，所以就说病理医生资源共享，那么从诊断量上来讲的话，人工它容易造成一个疲劳。再一个就是我们一天就是说一个细胞学医生的话，我看5050例病变标本的话，我可能还可以超过了以后就头昏脑胀的，可能会影响一些个判断。
那么就是说在AI它一天可以做到看我们南宁的数据可以反映出来几百几十几百，甚至是有的时候可以达到千例对吧？几千例的这样的一个标本，你像他们这说1,701,000，17年是170万做三年，23年的话600万做两年，这是在人工方面我们是没法想到的这种数据。我们质控最终极的目标就是提高细胞病理的一个诊断的水平，所以我们就严格的做到了一些个制度上的要求，就是说比如说每周的一些个特殊病例的读片会，每个月的一些个业务学习，业务学习主要就是一些个自身的医生来分享，来系统的来培训，然后拿一些个有疑难的病例进行一个分析讲解分析，促进一个整个团队诊断水平的提升，然后鼓励一些个开放性的一些个交流，从实际当中我们吸取经验来提高诊断水平。
系统学习我们属于是这种所有的医生，我们规定今天每个人讲讲一个系统，我们这样的来学习共同的提高，实际上它是一种促进的一个作用，就是强化的一个训练，总体的提升。所以就是说也就是说我们就是说每周的病例讨论一个高年资的分享系统，医生的指讲解，那么一个准确的细胞报告，它就源自于好的一个图片，好的制片及其染色那么一张好的图片，我们要有做到就是说涂抹的均匀，厚薄的适中，有型有序，然后大小的适中，染色要清晰，结构要通透，深也适中，好的图片我们说了是要用心做出来的，取材是前提，纸片是一个基础，诊断才最终是个关键，标准化的流程，规范化的管理，达标本量的诊断，这方面 AI都占有明显的优势。
我们说你这个男丁在肺复科这方面已经做出了很大的一个突破，那么我想接下来要如果再到非妇科领域的话，一共天地就更大，就是说海阔天空，鱼跃天天高任鸟飞，我们让我们共同的努力，为提高细胞病理学的质量贡献自己的一份力量，我就讲这些。
好，谢谢刘主任，因为我们南京把人工智能的模型宫颈癌的模型出来了以后，我们一个底层的这种模型出来以后，做像现在做胸腹水，做尿、做口腔，做其实在做其他很多肿瘤应该是不是难事，所以我们也非常希望在座的各位专家和我们在一起来参与把非妇科的这种人工智能肿瘤诊断做得更快更好。下面一个我们最后就请我们武汉大学这种口腔医院的谢教授来讲一讲关于口人工智能用于在口腔癌筛查的他的一些尝试，谢谢。
开了吗？这里也有麦克风效果，我就用这个我想问一下鼠标键是哪一个？这个是说这个是亮的是吧？亮不亮？听得懂。听得懂。我讲一下，我本身是一个灯体使者，是一个临床的医生，所以说我讲一下南丁云诊断系统对我的一些工作上的帮助，在临床上常常遇到一些困惑，我们在听说南丁对宫颈癌的筛查过程中取得了很大的成功，所以说口腔也是一个对外一个开放的系统，相对来说的话它取材和操作的话，比宫颈的取材更方便一些。
那么我讲一个例子，口腔癌的状况就是说如果是早期的患者的话，那么早发现它的生存率5年生存率达到90%，如果是到了晚期的话，它的无人生存率就降低了很多不到，大概30%左右30 30左右，并且口腔黏膜的一些早期的病变，如粘膜白斑红斑，这是可以早发现早治疗早干预，它的效果是非常好的非常好的。那么我讲一个病讲一个病例，这个是77岁的女性患者，她是牙龈出血而来的。
她在我们医院的牙周科肿瘤外科就诊了多次，都没有明显的好好转，到了我手上。但是我通过问诊的时候，发现他他有10年前牙龈癌的手术史，这是一个病变的部位，这个地方很小，在右下的 5和6之间牙龈出血部位很小，他家里这里这个部位出血之后，我第一次给他处理的时候，是局部的牙周的清洁，局部用抗生素药物、上药，那么两周之后它炎症不能完全消退，局部探诊仍然出血，随即对牙龈就是右下六的颊侧牙龈增生的部分切除送病检，这是我们的一个基本操作，两周之后如果他病变不好的话，但是他的病理解，一个星期之后病理检查结果出来，报告是个炎性增生，这时候病人放心我也放心了，这是一个治疗结果，告诉病人，定期来复查，但是两个月之后，病人又来了，他是这个右下的5出现了牙痛。
右下的6，牙齿出现了松动，牙齿的松动，那么它的太牙周探诊深度是5个毫米，同时牙龈局部的牙龈红肿，舌侧的牙龈有轻度的增生，舌侧的牙龈轻度增生在这个地方，在这个地方从这边镜子反照过来在这个地方，从镜面反制过来的，那么给我们一个临床医生的一个处理决定是什么样的，那么我们根据病人的主诉，牙齿疼痛，我们可以考虑首先处理右下5的根管治疗，解决牙齿疼痛的问题，这是第一个。
这也是有证可循的。第二个循证就是说四五十六的牙龈红肿的话，他有牙龈增生，局部清洁抗炎，以减轻出血，这是也有依据的。那么我说考虑的是这个病人有牙龈癌的手术史，他会不会出现牙龈癌的复发，这个是重要性比前两者更重要。所以说那么我再一次做牙龈活活检吗？第一次检了之后是阳性，第二次会造成二次的局部创伤、创伤。
那么这时候我想起来，南丁的云诊断系统细胞学检查，我给他做细胞学检查，怎么不走？这个细胞学检查很快出现了结果，他是发现了局部有大量的异常的这个倍体细胞异常细胞。我的诊断就是牙龈癌复发。牙龈癌复发，它的临床处理结果不是局部消炎，不是做根管治疗治疗疼痛，而是收入院手术治疗，这是手术之后的病理检病理检查结果，他的手术这个是二期的囊状细胞癌，这是我们在临床口腔癌的检查筛查细胞的时候，用的一个照片就是用这个刷子刷刷细胞刷细胞。
我们在一些比较不好做，活检的部位，比如咽部、软腭这些地方你做活检的话不好止血，又不好操作，伤口不好做的时候用他刷子做扁桃体部的这个细胞刷扁桃体上部也是一个比较容易发生癌症的地方。这是他的检查结果是一个是个阴性。这是我们口腔细胞病理学检查的一个登记表登记表。
在我们的口腔也可以在发现口腔其他部位的肿瘤在我们口腔出现，例如这是一个晚期的肺癌出现了一个肺小细胞癌在口腔里面的一些表现，这是一个。我另外一个病人就是在这个地方出现了一个无痛性的溃疡，几个月不愈，最后发现是一个软骨透明细胞肉瘤，软骨头细瘤细胞透透流，这是个白血病的病人在口腔的一个表现。
这次就是说我们口腔可以是一个全身疾病的一个镜子。所以说我们可以建立一个危机值管理，如果是说我们发现了这个异常的倍体细胞之后，要建立危机值，要引导病人到专业的专科医院去就诊，通过他扫描结果他病人可以获得一些提示，获取一些提示。那么这样的口腔癌的发病率和死亡率的重要举措就是进行筛查，定期的科学的对重点人群进行口腔癌的筛查监测，早发现早治疗，提高患者的生存率。
谢谢聆听。好。对，谢谢我们谢谢教授，因为兰丁跟我大口腔已经做了8年人工智能宫颈癌筛查，现在全国的像北京口腔、华西口腔、青岛口腔、广东口腔，反正中国很大的广西口腔都在合作，那么实际上经过这些大大的这种口腔医院、三甲医院、口腔医院证实了以后，我们很快会在有500家民营的口腔门诊，他们开始在讨论如何进行这种大规模的口腔癌筛查，那么今天我们现在简单的把讨论的部分结束，我们请我们胡主任，我们湖北省西方病理学会的细胞学组的这种负责人胡主任，他来跟我们做个简单的总结和评价，然后我们就转到我们经济学家开始做个评论，好不好？谢谢各位专家。
今天这次这个时候，首先来讲就是说这个数字病理的应该有非常大的好处，特别是能够特别是我们的病理专家，是需要我们的数字病理的，就是刚才我们主席讲到的，比如说你细胞的技术科学推进的分类等等，甚至还有一些肿瘤，你比如说它可以预测到有哪些分子的检测的一个精准的准确性的一个预测，我觉得这也是非常好的一个一个作用。
那么第二个来讲更重要就是说我们 AA诊断的一个高质量，我觉得这次是非常关键，特别是我们的一个标准化。更多的标注，更多的创新，一个标准化的问题。还有我非常同意我们孙老师讲的观点，就是我们不是说AA的软件，更主要是这个数据是一个全流程的管理。从你标本从立体以后到你自身拨片造成你的切片扫描上传到你的AA诊断以后，它是非常全流程的过程。
那么目前我们来讲，在我们省妇幼，我们所有的细胞学也是全部的切片扫描，AI的细胞学诊断，进行一个双双双人工的复合。所以我觉得在这一点来讲，这种AI的诊断对我们应该说助力得非常大。当然也讲到了我们后期那么5G加AI在我们湖北省宫颈癌筛查这个过程中也取得很大的成绩，三年里面做完成了600多万的细胞学筛查，包括今年我们也是可能按照省卫健委要求要完成将近160万的数据，如果说没有AI新质生产力助力的话，这项任务是完全完不成的。
所以说这个数字的病例一开始会有越来越大的作用和影响。我们特别是我们病理医学专家应该和要拥抱 AI的时代，然后更多的参与进来，更多参与进来，把 AI的更多的场景的应用来提升我们的诊断的准确性。那么最后也讲了一点，就是我们AI的整个的一个主体可能还是我们的医生，还是我们的医生，所以说我们的AI在这块来讲是我们的一个非常有效的辅助的工具，预约辅助工具希望这个工具会越来越锋利。
好，谢谢大家。现在我们也时间很紧，我们也刚刚胡主任也提到了，人工智能它是个新质生产力，但是生产力和生产关系新的生产生长关系还没有建立的时候，实际上这就是在人工智能发展过程中还是有很多困难和问题，所以我们今天专门请到了中南，财经政法大学的叫数字经济研究院的胡院长、石石主任，还有我们毛主任，请他们今天参加了整体的我们的医学的这种探讨以后，我们请他们三位专家经济学专家来帮我们做一个分析，这是economics professor。
好，你就讲我先讲这个好。你讲我的时间实施，你给我几分钟，你讲原来昨天毛毛老师好像跟我 10分钟我就按照沈老师的命题来简单的说几分钟。今天的命题应该说很大，从总书记关心的新的生产力。但讲生产力，那就要谈生产关系是吧？生产关系在新质生产力的这样一种发展的牵引下，要调整，生产关系调怎么调呢？我想我们今天在座的医生，我们医生根据我们病人的特征，要调药或者调治疗方案，那怎么调要调调方案呢？我们的中医当然就讲最简单的就是4个字是吧？目前我们西医就要看你的数据，是吧？看你的图片，因为我们生产关系调整，我觉得对我们南京来讲。我也要从数据开始讲，孙老师刚才讲了一些数据，全省的数据现在收集了，我因为更难定，在一起学习有一个孙董事长学习了，对于很多数据应该说知道的比较多。截止到2024年去年年底，我们完成的 600多万筛查，这个数据有些特征我我不讲，我只讲了所谓的四高，第一高就是所谓的农村人是吧？你筛查了67%还是64，农村人口数据高，阳性率高。
第二类人就是60岁以上的我最近五一期间也为了完成孙老师，我都没在外地旅游，它是一个爬坡的途径，到65岁以下慢慢的让他把头低下来了。第二高第三高，城镇非工会会员。第四高，灵活就业人员和困难户。那么这四高我就在想为什么这四高刚才孙老师讲了一些特征。我记得有一次跟孙老师我就总体上看，我们的四高的原因，第一个我觉得可能是三差，第一个就是60年代，现在60岁以上的那都是60年代，上个世纪70年代出生的，文化基础差，是吧？那个时候甚至知道你下乡农村的，像你这个年纪的，你上了大学是博士，百分之十的文盲，我的姐姐是文盲，没有文化对这个病的危害，他是不清楚的。
这是第一块。第二一个，我们城镇非工会会员是吧？灵活就业人员，还有特困人员，没有组织关心他，没身份了是吧？没身份组织他去筛查，个体户，现在我不疼不痒，你怎么会说我有病呢？组织基础上。第三个就是所谓的经济基础，农村里面收入是不高，灵活就业人员，当然我们的话我还专门把灵活就业跟大家说一说，非工会会员这些总体来讲的收入是不高的，所以经济基础决定了他没办法这个来做比较固定的稳定的筛查，这是第一个原因。
第二个原因，我在五一期间跟一个学生做了一些数据分析，数据分析今天我PPT没有我也发过来，很有意思的第一个就是我们的阳性率和湖北省各大城市的我也是以地市为单位的城市化率城市化率武汉是最高的，将近90%。然后从宜昌什么襄樊这样一条往下滑坡线，当然在当中有一些所谓的波段，湖北省的城市化率，那么相对应的我们的阳性率是这样一个上升趋势，也就是我们的城市化率和阳性率。
从图形上看，我们毛不是说是成反比，用我们经济学的话来讲，那可能是负相关，但是负相关的我还没检验，这是一个。第二一个我也找到了我们湖北省这几年我找了15年，我们的城市我们湖北省总的GDP分城市的GDP是吧？人均GDP城乡居民的人均收入和农村和城市的居民收入，把这样一些县会在一些一张图上，它和我们的阳性率又刚好是也是呈一种下降的波这个波浪趋势，并且我们在这些筛查的这些现实当中，我们汉南区的数据最后完整的你从21年就开始做起，邯郸区的波动，阳新区的这种下降，活检率的下降，活检率下降，和刚才我说的那些数据也是呈相反方向的。
所以这样给我一个感觉，一个启示是什么？就是我们的经济或者是对于我们阳性的影响是非常大的是吧？沈老师给我们出了个命题，我当然了也这几天也在想，你说我们湖北是吧？这样一种状况，我记得是不是跟毛博士我跟石石军委也讨论这个问题，就是我们湖北这个状况能不能够把它就这个阳性率和我们湖北经济社会特征能不能够推演到我们全国，当然统计上我们要做严格的分析，你们严格的分析在湖北是杨兄弟不到6%，其他的严格这样是吧？我们不能够做这样一种比较武断的推断。
但我们要做统计上的分析，看能不能够用湖北的数据，那么来推断全国的这样一些状况。这是我考虑第二个方面就是我们的湖北省的这样的阳性率的波动分大的地市级以上阳性的这种波动，包括我们湖北省的经济社会特征是高度吻合的，这说明什么？我们的经济基础对我们的杨旭的影响非常大，这是我讲的第还有一点。
第三点。我们在一些场合跟孙老师讨论过也就是说，我们现在湖北的这种模式在全国至少目前是唯一的。我问过像湖北一样，这样组织是没有，有没有的？在我们的中国有没有哪一个省的某一个地市级以上的政府，行文公开发文，组织我这个区域的免费筛查的，但是没有，他说没有，至少我他说我找不到，我说你找不到我更找不到是吧？你都找不到我怎么找的到，我们都说你厉害，你找不到我们就没有是吧？这说明什么？我们到内部讲是吧？政府把我们的女性的健康作为很大的民生工程，但是在真正的经费投入上，我们在卫生局部来了，那么可能在很多方面，我们的这种工作要让位于其他的民生工作，这就给我一个启示就是说我们的突击这种模式是吧？可能现在在发展过程当中碰到了一些障碍了，那么我们继续从现在南京突击为主专项。
To，C加突击。那么转过来了，第一个我们要看这种可能性是吧？第一个可能性，我们的那样一些弱势群体4大类，我把它叫做弱势群体。当然这个弱势群体我这个学生他也比较负责，他觉得灵活就业人员不是优势，他有了我们全国总工会二三年的一个统计数据。
他说我们23年全国总工会，他调查发现我们的城市的灵活就业人员，高中以上文凭占50%，有百分之六七十，百分之三四十大学毕业的，这个月收入占5000元以上的有5%。70多还是80度？月收入8000块钱以上的，可能有50%30多，也就是我们南京采取的这种灵活就业和困难人群的，这里真正的可能是困难人群，你和就业人员。
我想一想在我们街上卖咖啡的是吧？卖的什么瑞星咖啡，卖点书店，开点花店的，这都是小资情调的人，可能他们的文化水平比较高，你文化水平高，这很注意个人卫生的，对吧？可能他们的阳性率不是很高。所以我说了我们政治要关心的我刚才说的那些弱势群体，弱势群体我们政府有时候对他们不太关心，孙老师知道了，我们跟我们的很多机关写了很多报告，尤其是这4类人群说要引起他们重视，包括国家什么？张科长是哪张局长是哪一个部门？医保局？医保局的局长，是我们的校友，我找到他的导师，用他的甲骨文的章子还给他盖了个章，写了封信，他这个区长给我打电话，我们医保局不可能拿钱给你搞筛查好吧？讲了很多理由，我说我知道现在不可能搞筛查，我说你要自主创新，它是国家不发话，我们创新不了，是吧？所以我想第一个可能性我们要唤起，唤醒了那些弱势群体对自身健康的一种需求，因为他们不知道我们要唤醒。
第二一个，我们的政府这几年很困难，要想拿更多的钱来干这些事。像湖北省杨云岩省长这样有真正懂民生有爱心的省长，应该说是不多的。所以我们要唤醒他们的需求，我觉得有这样的可能性，要把我们的 to，C的这种模式要给它启动，这是必要性。那么可能性我总结了有这么几点，第一我们南京的模式很成熟了，好吧？我现在to C我可以变不到，那每个乡村每个角落，因为我们有妇联这样一条线。
第二个我们成本优势是吧？你在三甲医院做200多300多，在我们学校当然是全套的跟妇科做800多块，你知道我在南京做30块40块是吧？我成本有优势，我们讲今天在那地方我们价都定了，这是我姓胡，你们5家渠的，我拍脑袋我胡说的，因为我们男的肯定是有成本优势的，第九家是吧？我们根据成本优势的，因为我们讲规模经济的，我们有一个推算，你到两两个亿以上，我们的成本更低，然后所以在近9个地方。
对。这是第二个，那么我们有很好的模式。第三个就是我们还有一个可能就是我们刚才孙老师讲过我们的闭环确确实实那是没有形成的。闭环形成的也是，我们这个模式很好的一个所谓的发展的为了这个方向，这30湖北省是37万人阳性，全国好像77万。查完以后，在没人管他们了是吧？我告诉你你有阳性，因为阳性我现在不痛不痒，我管他干什么，所以我们要通过我们的一些组织把这一个闭环给它建立起来，这几个主席代表是关系的，对。
你建闭环，那就是应该要依靠南定这个系统是吧？这是第三个可能性。那么第四个可能性，我们有其他一些组织条件可以配合上去，所以我觉得我们现在应该有过去这个主要的服务政府的项目，到了转向服务政府和服务我们的个人的相结合，这样一个模式上面，那么这跟我们的心智生产关系什么关系？我想这肯定我们调整这种服务对象，你的生产关系，那毛博士搞哲学的，生产关系就是人与人的关系是吧？人与物人与机器的关系，我过去主要抱着你妇联主任是吧？包括我们省长的腿子摇，现在我不找你们了，或者是主要的不找你们，我们找另外一些人，不是处理人际关系，人与人的关系是吧？我想这也是处理人与人的关系，这也是我们我只回答你们，谢谢，甚至生产力我们怎么调整生产关系是吧？这是回答我们陈董事长的谁为主好吧？我觉得这男丁之问谁举成佛，我觉得我们南丁可以在这方面开出另外一片新天地，好谢谢，我讲了15分钟讲完了还继续。下面我们就请中南财经政法大学的石基伟教授，后来在这 10分钟。一样的，好谢谢。孙老师本来之前是也是给我安排了一个任务，我也好好思考了一下，可是今天我刚才听各位这个医生或者是病理专家，在讨论南丁的癌细胞筛癌细胞智能筛查技术。其实我发现现在讨论的重点已经跟去年和前年讨论的重点不一样了。
现在我们讨论的重点是这个技术是好的了，那么应用过程当中会产生一系列的问题，包括一些规则问题，伦理问题、责任问题，包括相应的一些制度的设定问题。当我刚才我记得有位医生讲到了，说对AI技术应该谁才是最终的决定的人，好像孙老师问的问题或者叫耳机。但是我觉得这让我想起来，我们最近研究机器人，研究AI技术，我们面临的一个非常经典的命题。
当我们听到人工智能来了以后，那么大家都在讨论一个说我们的工作哪里去了？所以前年的诺贝尔经济学奖写了一篇文章，叫着我的瑞斯between men and machine。所以其实讲的就是说我们好像是要跟 AI来竞赛，我们要跟机器人来把我们的工作抢回来。其实这个想法是西方新闻记者，包括劳动经济学的一部分，学者在讲，说AI会替代大量的工作，然后我们的工作没有了，我们会失业。
其实从经济学里面来讲，这个命题是没有认真去研究AI的时候，才会有这种恐慌，因为他没有研究 AI技术。那么它应用过程当中它会产生的各种效应。我们现在研究AI最基本的分析框架就是AI技术，它到底给我们的生产活动，我们经济的运行活动，它带来了什么样的一些效应和冲击。
那么现在我们最经典的是两个效应，一个我们叫做替代效应。那replacement effect那么确实机器人或者人工智能技术的应用，会把一些简单劳动把它替代掉，用技术用机器人把这些简单的劳动把它替代掉，因为机器人做它效率更高，成本更低，这个是有定论的，就是说 replacement effect我们已经是最近的近三年，近4年大家主要就在讨论经济学界基本上达成一个认知，共同的这个意见，但是我们替代的是routine jobs。
这是你其实就是一个常规的工作，你比如说你拧螺丝，你拧3圈拧4圈拧50圈，是吧？你要刷漆刷多少？这些机器人直接干，既没有各种所谓的劳工劳劳、劳动工伤又没有任何瑕疵，所以我们说这些工作是注定要替代掉的。所以刚才我就讲替代效应。在数字病理场景里面也会发生。
所以刚才刘利民主任说了，说一个病理医生一天看50张，那头昏眼花，你要知道您看的这50张片子里面，可能48~49张都是昨天教师真正它的整个像我们查的年龄，你看35岁到40岁之间大概是这个是千分之1还是是吧？1%，对吧？这个概率其实就说明了是这个概念，就大部分的片子其实你交给机器人就可以了。
对吧？所以这是我想我们的病理医生或者作为一个病理检查的科室，这是作为一个工作。或者是一个劳动市场上的劳动的活动，我们要接受这个概念，这是应该被替代掉的。但是也不要恐慌，说我们会不会丢掉工作。我想因为AI技术在应用过程当中，它还产生了另外一个效应，这个叫recreation effect，我们叫做创造效应。
那么它创造出什么样的东西呢？就说AI技术的应用或者是自动化，这个技术的应用，它会使得我们的劳动结构产生变化。比如我们一天从事10个劳动，假如我们把劳动分为10个单位，那么对一些事完全都是简单劳动的。你10个劳动跟1个劳动是一样的，但是总有一些劳动的，它是非常复杂的，它需要我们认知，需要我们经验，需要我们积累，需要我们协助，需要我们有这种情感的投入。当最简单的劳动被替代以后，我们有专业技能的人员，会把我们的技能用来解决复杂问题。那也就是什么意思呢？如果蓝丁的机器人把一个病理医生你看了1000张片子，他把你解放指出来，解放只需要你看5张片子，你高质量的高专业度的把这5张片子给他确认，大概是什么级别？必须强制复检，这个是我觉得是非常好的。
这是一个医生，他从事有创造性的工作，复杂劳动，这是他最大的价值。也就是说这个技术它的应用会让大家的工作更加具有创造性，更加具有社会价值。对病人来说，他可以少等很多时间。如果病人恰好是你最后看的那张片子，这个病人可能就失去了最好的实际医疗时机，对吗？所以我们说这个创造效应，替代效应。
我们要结合起来来理解。所以我们说人工智能技术它跟人的关系或者人工智能的医疗技术和医生的关系，要相互拥抱，而不是相互竞赛。所以我们要提另外一个话题叫 embrace between man and machine. 所以我想这是两个最基本的一个认识，所以大家讲了，那么我刚才看到各位医生，其实我觉得提的建议都特别好，但是现在很多东西都确实还没有进入到制度建设的阶段。
那么这是我想从经济学上讲，它是符合经济逻辑的。所以有些问题我们必须要把它做一个设定，但是这个设定的前提是什么呢？我们要行要正式的开放的接受这么一种新型技术，以及新型技术产生的这种机器人或者相应的硬件设备，它是可以解放我们的劳动，然后让我们的工作更加有创造性。
第二个，我们说人工智能技术它包括现代南丁开发的这么一个人工智能的癌细胞筛查技术，它是针对所有的癌细胞。所以我们说在病理这个领域，我认为这个技术应该定义一个概念叫做通用目的技术，它的所有的癌的病种，它都是适用的。不管癌细胞是口腔的，肺的、胃的、乳腺的，包括你肌肉上面的那么通用目的技术它可以在不同的病种里面能够应用。
那么通用目的技术它和特定目的技术的差别是什么呢？就是采用的人越多，这个技术的采用成本就越低，它技术带来的生产效率的增加就越多，越显着，而且通用目的技术，慢慢的会成为我们下一轮革命的一个基本动力。我打个比方，互联网技术它是一个通用目的技术，不同的企业接入互联网，那么它的整个工作流程的变化，生产力的改善都是不同的。
那是因为通用目的技术在不同的应用场景里面，它匹配了不同的资产，你说a医院的病理科检查为什么会比医院更好？我们说都使用了人工智能技术，为什么这个病理科的效率要比更高一些？那是因为这时候就体现出来一个病理科，怎么样为这样的一个通用目的技术会匹配更好的互补性资源？我觉得刘主任说的很对，每一张玻片都是要用心做出来的，你用心这两个字背后就是你的各种文化传统、职业伦理，你的价值选择，还有当然医院投入的各方面的资源，所以同样是使用技术，不同的病例，不同医院的病理科，它会有不同的成效。
所以我们说技术的价值怎么怎么体现，一个技术它总是有价值的。我们医生科学家讨论的是这个技术可行不可行，可靠不可靠，但是我们关心的从经济学这个角度上来看，我们关心的是这个技术可不可以被更多的人使用，可不可以？可持续，可不可以更便利的更低成本的被更多的人来使用，而且技术创造的成果，而且还是高质量的。
这是我们说刚才孙老师妇联主任来了，我们说我们的卫健委，我们妇联的工作，那么其实也讲了我们技术它是有经济价值，它有伦理价值，它还有社会价值。所以我们说比如说女性的两癌筛查，宫颈癌、乳腺癌，它看似一个个体得的病，但是把不同的个体加总成一个群体的时候，他就是一个社会问题。我怎么样解决这个社会问题呢？我就需要有一种技术，它可以低成本的被病患使用，高质量的能得到治疗，而且还可以让他便利地接触到，这就是传统的公共服务领域的不可能三角，就这三个事情你不可能同时得到的，服务好成价格低、质量高，这是不可能同时实现的，也就是我们说的好工作什么叫好工作事多钱少离家近，这三事是不可能同时在你一个人身上发生的，这是我们用传统思维来看待这个问题。
当我们面临现在我们都接受了说新一轮的产业革命和新一轮的技术变革，它已经到来了，它到来的标志是什么？标志就是以人工智能为核心的新技术，它重新定义了我们审视这个问题的角度，重新定义了我们审视这一类问题的出发点，重新定义了我们解决这一类问题的方式和效果。我想南丁在推广他的技术和他的机器人的时候，孙老师也是奔着技术的经济价值，社会价值、伦理价值在努力的，唯独现在可能对经济价值考虑的还少一点。
它更多的从一个科学家的来角度来考虑，说我这个技术首先我得能保证能解决女性的痛苦不在零售这个肿瘤的伤害。伦理价值就是我宁可让我的技术慢一点，我也不可以让他野蛮的去发展。但现在看起来这两个坚持是好的，大家都来讨论这个问题的时候，其实就是这个技术马上开始造福更多病患的这么一个机会来了。
所以我想新的模式，新的生态，就是南丁将来能够让更多的病病患，更多的地方政府解决我们类似于两癌筛查这样的社会问题，能够有一个很好的备选方案，而且我觉得被工具包它是一个免费赠送的神器。我就讲这么多，谢谢。最后一个我们我们经济学家和政治家毛毛3元主任来简单的就最后10分钟讲讲讲一讲，你来分析一下，看一看。
把英中英文换成湖南话和普通话，完全差。但是因为互联网还行，他有他的或者是你好好。好，话筒在哪里？你记住。你就讲英文算了，秀秀你的英文，那还有可以讲日语。讲讲英文，然后 5月2号放假的时间，双方和考虑我还没听到。当时就在讨论这个会怎么开，大概就按今天这个模式来的。由于时间关系，可能病理医生讲完之后，你问这个环节卡掉了已经。
我今天就说我们三个人搞经济学的，对避免这一块不通。胡老胡老师是我们的冤家，所以他们现在立于是在关系角度讲，我们徐老师徐教授他从化解不可能上交这个AI打破了传统的定语化解了这个不可能上去。我这种树是负能这一块，来给大家讲一下。
所以我有一个文本性的东西。比如说说是护理的习惯形式是数字化，数字产业化。就最奇怪的，你说你这个企业做了AI，你说人工智能做得很好，如果你对自己的产业都没有数字化，你的数字植入的时候有没有产业化？我说那肯定是骗人的，你比他大，而这一块哪里做到了？做得很好。
刚才各位都讲了是吧？都讲了，从整个生产流程里边全部数字化了，信息化了，而且它的记录的数字 1 AI模型越来越准确。第二，能够通过数字阶段来提供数字服务，也赚了上10个亿了。这是直接回去。17年到现在，是吧？所以他做得很好，商业病的这个不存在弊病，这个报表看哪的。所以他应该就是说这一块一个企业说我是a企业，那么你首先问你自己，你整个产业链是不是数字化了？你没做到这一条，你在吹牛。
第二，你的数字是不是产业化了？就是最奇怪的形式。好，那么接下来数字赋能最突出的表现就是人工智能，就是我们所现在看到的人工智能给医疗所带来的巨变冰山一角。现在这1%你怎么看到？我可以这样说。我讲两条，第一从过去8年当时提出来搞有计划的商品经济，后来又讲商品经济，后来到十五大97年的时候才定性为社会主义思想经济，搞到现在50年了，马上50年了，还没搞清楚。
1986年推出了中国民营私营企业暂行条例，86年提出来的，加了个暂行两个字，下个礼拜再出台中国民营经济促进花年年多少年了？多少年了？40多年了，快50年了，我可以明确告诉你，86年的中国民营经济战略条例没得一个字管用了，他就是不敢。今天刚才李主任说，他也告诉我现在责任划分等等，划得清楚吗？还没开始。
我跟你说，78年的时候，我们傻子瓜子瓜去坐牢了，孟集中倒卖那些电子产品，到了十一中抓去坐牢了。你现在算个什么事？对不对？所以说现在我想所以我说带来的区别，我现在总结4条，这个是非常粗浅的。第一生态发生了巨变，医疗生态现有的医疗体制是医生是number one，医生是华华道医生说了算，人工智能介入之后，医生好幻觉是最得意的，换届提供数据在一个行动的时候缓解可能起主导作用。
我现在只能说预测这一条。第二，角色发生了巨大的变化，角色发生巨大的变化，刚才刚才有医生说是医生，刚才我们当个妇科客户，还说医生和数据共同决定，这次暂时可以这样认识。暂时的 20年以后，20年以后病理医生，你这些常规操作还要需要你来动手。现在南宁做了1,245万和去年比细胞学的工具来的细胞，他给出的报告远远超过你们的水平，超过人均水平。
现有的规章制度，现有的制度体系需要人来签字，需要一个医生来签字，而不是人工智能水平臭，早就超过人了。所以我在座的病理医生，我怕你们干什么，我今天又去吃了。真是的。就是你们要有危机感，你们每一个毕业生都要有危机感。过去5年，我可以说不屈5年，现在跑步是看的最远的一个人，他可能看到3~4年了，你不听医生的脚地位，医生的角色，好比患者的角色等等。
我在这里稍微讲了一下，就是说以后社区医院可能非常重要。以后的医疗中心，医学中心，他就专门来训练人工智能医生的，全国就那么几个医疗中心就行了。对吧？你们都想到87年那个时候涉及到电冰箱、空调用几百条生产线，现在就五六家厂家，对不对？后来的太阳能光雾气、光雾、电池、光伏板多少竞争力，现在有几家了？没几家。
对不对？我们现在新能源7200多家紧缺啥？三五年之后也就三五家去了，对不对？现在产能过剩，每一辆每一个行业的产能过剩。所以我们现在不要说刚才大家都很酷，给一个数据，亚洲中国的病例也就是11,000人，他搞那个数据你们看到没有？他说是11,000，有那么多医生干嘛的，有那么多PPT是干嘛的？以后都是人工智能医生，现在上海的人工智能医院就出来了。
这个南非去年前的这个房间里面每天发的报告45,000，最低是一天2万。有几个意思，刘志军还是做过一段时间，4个医生，也就4个，希望你看能不能说到有500个人才能完成，但我们这个医生打开就没有什么危机感。我儿子现在也是，医生我就老是说，我说你现在还不熟悉AA的话，你到我这个年龄的时候你估计你都out了，那个时候退休其实都退休不到现在，否则我想我这个就不讲了，再往下说，时间太太好，那么数字不能跟新技术生产力给带来了直接利息，相应的生产关系将垂直缓慢改变。
我讲的缓慢两个字，不可能一下子改变。所以老师现在最烦的就是这个事情。他往前多住了两年，多读了三年，相应的管理、相应的检查、相应的标准，相应的流程没变，变不了就一下子变不了的第一两个字，后面是第一两个字变不了，不是一下子你不是讲的，刚才石教授好好胡教育了这种经济学能力，学社会学这个技术层面提到一些问题，但是这些问题太基础了，而不是我们这个会能研究的，主要是这样。
他就说太重要了，那么我们现在今天在会上讲了大家了，医生与医生的关系，化解医生关系，医生跟医院的关系，AI这里界定化肥等等这些问题，现在只是在探索阶段，我估计10年都探索不了。国有资产管理，我的博士论文就写的国有资产管理这一块，我当时做了一个国家的课题，就是国有资产管理年的时候，到现在国有资产管理搞清楚没有？还没有完全搞清楚，实话实说。
有些国有资产管理局，实际上扶贫财政厅下面，比如说我们现在大数据局，数据局成立，去年工作到前面去了，而国家的发展发改委与省里面有些是放在财经，有些是独立的等等，没等5年这个乱价起码要看出5年对吧？所以说这个数据是妈现在大家都在探索，5年之内不可能有定论。就我在讲的到现在为止全国有48个数据资产交易所或者叫交易中心，真正实际上交易的还不超过5笔，还全国还没超过5笔。
我记得去年223年到24年到南京来调研的国家数据局、中央办公厅、国家知识产权局对副局的副部这里了来了一大批，现在包括我们省里面，包括现在大数据局的两个副局长可能都到这里来了，省里的局长都来了，现在处于一种探索阶段。所以刚才徐徐老师一句话，徐娇一句话，制度改革这一块，现在还还没有底下议事日程意识，我想想。
所以说现在最重要的就是沈老师这种嘎嘎匹配，往前冲，你给我再不提价，我自己来，你国家没得标准，我把这个行业做好，我自己拿标准去了。是这个小平92年在在在在深圳计划去了，冲去了血肉，杀去了血路，这是小平92年的深圳降水这样。所以好，再往下。再往下我最后讲了一个结论，就是说现在其实遇到现在你发汹涌澎湃，每天都在变化，医疗生产关系的变化却很缓慢，作为其中的先驱企业，简单的它既要着力推进信息生产的发展，做领导一定领导一定突破，同时又要突破之后的生产关系的束缚，做一大 N的推广，所以碰到的问题确实很多，确实很多。在所难免，做这种企业的老板非常痛苦。谢谢，完了。谢谢毛主任声情并茂的这种演讲。最后我们想请我们尊贵的甘肃的客人，我们青阳市妇联主席贾主席他来了两次武汉了，他这是第二次，再来想请贾主席来跟我们讲一讲你们的这种感觉也好，想法也好，把给非常荣幸今天也是没想到能参加到咱们这次的研讨会。
我们今天过来之前因为和孙会长对接过。庆阳市全国一体化算力枢纽节点的八大城市之一，它也在发展数字经济，所以这块二三年的时候我们测算的才是1万匹，24年达到5.1万批，今年我们的目标是要达到10万批，所以在八大枢纽节点城市里面，它是发展非常迅速的。咱们来丁也是一个人工智能作为一个主要的方向一个企业，所以在庆阳和南丁之间，我觉得就是一个双向奔赴，互相都有需求，这是我们来的第一个基础。
另外一个今天我们就听了之前对蓝丁有一定一个了解，我也学习了咱们莱丁的一些咱们现在发展的一些情况的说明一些资料很有收获，但是今天就是这么直观的听，听到很多的教授专家讲，人工智能讲与现在的社会发展，我觉得我收获很大，很可能对我们以后的发展就说是有一个非常重要的指导。
第三一个刚才也说到了，我们好多教授都说到了，人工智能和病理，结合南宁在做这一个，我们庆阳是一个相对来说一个比较偏远的地区，经济发展的程度还是相对来说比较滞后一点。胡教授调查报告刚才也说到，就说是癌症的发病率阳性率和GDP的这种负相关的关系，所以我们也需要兰丁这样的企业去到甘肃到庆阳，我们为妇女为庆阳广大的群众，包括沁阳，它是一个区域性中心城市，陕甘宁三省的交界区，为我们广大的群众也身体健康也做一些保障，提升这种医疗水平。
我们这是一个今天来学习，通过以前的参观，特别是今天参加研讨会，我真的收益很大。第二一个我们希望和南丁下一步能有进一步的合作，谢谢大家。同时也就是庆阳市世界上黄土村最深厚的一个地方，也是，甘肃省唯一的革命老区，欢迎大家到庆阳去做客，谢谢。其实我听说庆阳市是甘肃省应该是最富有的一个市，就是经济条件发展最好的这第一。第二，其实这一次我们贾主席带队来这里，实际上某种意义上他我们后来了解到庆阳的这种东数西算的这种政策以后，其实我们如果蓝天将来发展到算力中心，因为我们一年最多的时候交了一几百万，交算力你要租场子，所以将来如果发展到全中国，甚至其实世界都能把像这种肿瘤诊断的这种筛查的算力中心，如果能够在甘肃的庆阳把它做一个点的话，我认为这是对我们来讲是非常一种双向的互利的合作，肯定是对你们政策对吧？好对企业来讲我们节约成本对吧？同时对甘肃省来讲你又有算力，同时我们有算法，同时还有应用场景，这对中国也好还是一个很好的示范基地，所以我就说把双方的优势用好，我们能不光是做示范，你可以做示范，然后我们一起把资源整合好，做一个新的创新，谢谢各位。好，今天看其他的专家还有什么要讲的要补充的，胡主任。
好看，庞博士有没有模式？好，我们王主任。好，这样如果没有的话，最后再次衷心的感谢大家，花了时间在这里我们就进行一个有意义非常务实的讨论，我们这种讨论会还会经常的往往这种矩形，所以我们也希望我们作为一个团队，第一我们亚洲数字病理学会主席，现在马上是美国的数字病理学会主席，他刚刚发了一个一个邀请，如果我们中国的病理专家，如果我们的中国的病理专家能够参与，实际上是非常有意义的。
积极的报名参与亚洲的它叫asdp，就是这个数字病理，其实包括美国的数字病理，我们中国的优势就在于我们有数字源，我们有算力、有算法、有平台，这些我们需要人参与这些组织发声讲话，所以我们今天在这里第一非常感谢DR福克斯福克萨从日本来专门为我们参加这次会议做一些介绍，做一些发言，同时我们也再次感谢在座的各位专家在这里做了一些经常的发言，我们认为是因为我们在湖北政府给了我们一个机会，我们有一个创新的务实的这种叫什么宫颈癌筛查也好，肿瘤筛查的一个实践，基于实践产生出的一些新的医疗服务的模式，我们的新的专家，我们的新的这种叫什么管理的模式，新的这种经济学的理论，这样子我们相信对不同的专家，我们在其他肿瘤会发力会很快的和我们在湖北的这些专家一起，向全中国向全世界一起去推进我们今天在湖北发言的这些创新技术，最后再次感谢大家，会议结束，谢谢。
好。我们要不然在门口做个合影好不好？参会的专家我们一起迅速的移步到这个门口，我们做一个合影，好，这是一个应该是个几应该是一个记忆了