目前典型的应用场景是DNA倍体检测。人体正常细胞为2倍体，分裂细胞处于2~4倍体状态，而肿瘤细胞会出现4倍体以上的异常DNA倍体。通过对异常DNA倍体细胞的检测，就可以知道样本是否存在突变的肿瘤细胞，在癌症的早期诊断中有较好的应用，能够有效提升诊断效率，提供标准化、数量化的检验指标。
此外，2017年3月，谷歌大脑（ Brain）、谷歌公司与生命科学的研究团队应用AI技术分析了130张乳腺癌病理切片，并与病理学家的诊断结果进行了对比。结果显示，AI模型的准确率达到88.5%，超过病理学家的73.3%，且花费的时间更少。在肺癌病理诊断分类上，也有研究者开发出一种利用深度卷积神经网络对不同类型的肺癌（腺癌、鳞状细胞癌、小细胞癌）进行自动分类的模型，准确率超过70%。另外，通过病理薄层细胞学检测或HPV检测进行宫颈癌筛查是当前病理AI最为广泛的应用场景。
病理人工智能可以用吗
一旦病理AI跨入医疗领域进行临床实践，就要面临众多法律条文和医疗法规。首先，病理AI在进行诊断时，其法律主体是病理医生还是计算机程序？其次，当病理AI的诊断出现失误时，责任应该由病理医生负责，还是AI诊断服务提供商承担？再次，当病理AI逐步向强人工智能进化的过程中，其诊断结果与人类病理医生不一致时，最终的判读由谁来裁决？最后，强人工智能病理AI进行了误诊，如何检测系统漏洞？如何判读是系统紊乱或是被攻击，还是由于罕见病例导致的误判？此外，还有网络安全和病人隐私等等诸多问题。
人工智能与人类医生的区别为何？
虽然本质上，人工智能是对人类智能思维的模拟，但两者在思维模式、创造能力及社会属性上都有着很大的不同。
人工智能
人类医生
思维模式
按照预先设计的程序借助模式识别系统从自然语言中得到有效信息，并从储存的海量数据中以惊人的记忆力、敏捷的运算速度、精确的逻辑判断能力，查询到类似数据，给出最佳方案。
诊断是生理、心理上的一个多层次的复杂过程。通过与病人的交流，结合自身的经验常识，归纳总结出合适的治疗方案。
创造能力
针对临床病例资料，给出数据最佳方案。因此，某些情况下，一套成熟的人工智能系统给出的方案可能是最正确的。
面临的不仅仅是疾病，更是患病本人，乃至整个家庭，因此不单单考虑疾病本身，还要考虑病人的生活环境、经济条件、药物可及性、医保等社会因素。一名经验丰富的医生给出的方案可能是最适合病人的。
社会属性
具有强大的“记忆”容量，能自我学习，但不会主动提问，解决任务是机械的。在逐一比对了一切的可能途径后，才提供最匹配的答案。面对复杂罕见病例时，因参考数据匮乏而无法给出方案。
具有高度的主动性、灵活性、随机性。经验丰富的医生可以结合病人情况，对疑难罕见的病例给出个体化的治疗方案。
目前国内病理AI行业
病理AI上游企业以安必平、鸿琪科技、福怡股份为代表，主要提供病理检测试剂及病理智能诊断标准化前处理硬件设备等。中游为病理专家和智能算法软件开发企业，如迪英加、视见科技、图玛深维等，在病理、影像、放疗诊疗领域具备成熟医学影像分析软件平台，拥有相关核心算法与技术实力。医院、疾控中心、独立实验室以及金域医学、华银健康等第三方检测平台等构成了病理AI行业下游的应用终端，通过提供海量临床病理数据与产业链上游企业密切合作，推进病理诊断的信息化、自动化和智能化。其中，临床病理大数据平台以及AI算法开发是病理AI企业抢占市场的核心竞争力。
2018年阿里健康牵头，兰丁高科、图玛深维等12家医疗健康AI企业共同建立面向医疗AI行业的第三方人工智能开放平台。此外，兰丁高科及麦克奥迪通过全方位打造从硬件设备、全自动智能化诊断筛查系统到第三方病理诊断中心，实现了一站式病理诊断服务的全覆盖。
兰丁高科依托其自主研发的病理诊断设备、病理AI系统、病理专家团队、第三方实验室网点，完成完整的商业闭环，公司于2018年实现了6个月内完成37万例“互联网+人工智能”宫颈癌筛查项目。另外，兰丁的产品“DNA细胞自动检测分析仪”和“全自动数字细胞病理检测系统”，已经得到了CFDA、FDA、CE认证，在全国300多家医院应用于多种疾病的筛查。据测试，这种电脑阅片方式的工作效率约是人工阅片的20倍，85%的准确率也远远高于不确定性强的人工诊断。
麦迪医疗是麦克奥迪全资子公司，主营产品及业务包括病理切片数字化扫描与应用系统、数字病理远程专家诊断、细胞DNA定量分析系统及相关诊断耗材的技术支持与医疗诊断服务。
目前，人工智能还处于低人工智能阶段，还需要病理医生用海量标记好的病理图像训练模型。同时，构建好的模型也需要大规模多中心的临床试验进行验证。行业的主要切入口在于通过对常见疾病的辅助诊断来降低病理医生的重复性劳动，提升病理诊断效率。这一模式的关键在于控制病理AI的假阴性率，防止出现误判导致的漏诊。另外，有效数据的积累是现阶段病理AI算法开发的重中之重。
总之，病理AI距临床应用还有很远的距离，也还有很多棘手的技术难点需要解决。
第一，国内大部分医疗数据存储于医院以及第三方检验机构，数据中心建立尚不完善，共享程度尚低，共享机制和规范缺乏；
第二，不同检验机构因设备、软件的差异，数据标准化程度不一；
第三，AI诊断结果仍需病理医生审核，并结合其他临床资料进行综合确诊；
第四，病理切片染色的密度、切片的平整度、异物杂质的引入以及制片时组织样本的损坏程度等，均会影响病理切片的质量；
第五，病理切片图像采集过程中，压缩图像时引入的变形、噪声以及一些切片扫描仪固有的特性，都将影响最终的电子切片图像质量；
第六，现有的病理诊断模型一般针对特定的某种疾病，病理AI模型的通用性差。这些因素都对图像分析算法造成了阻碍，为人工智能算法的应用带来了重重困难，也是目前众多研究者重点解决的问题和方向。
