迪英加的产品源自于迪英加创始人和迪英加研究院在AI-数字病理领域发表的100多篇SCI文章，其中《Pathologist-level Interpretable Whole-slide Cancer Diagnosis with Deep Learning》被Nature Medicine (影响因子30）所收录。
在商业化方面，迪英加将采取模块化销售的方式，即医院病理科可选择最适合自己的模块进行购买，并可在未来进行模块扩充。
4、Lunit
来自韩国的人工智能企业Lunit为乳腺癌研发了一整套的人工智能产品，其胸部X光摄影和乳房X光摄影用于疾病最初检测与筛查，让他乳腺组织病理切片评级是医学最终诊断结果的关键步骤。
尽管病理学评级在诊断过程中起着很重要的作用，但该领域还是缺乏可量化的客观标准和详细的解释过程，数字病理学的出现为解决该问题带来了希望。
Lunit在数字病理学研究上花费了不少财力和人力，为的是客观地解释组织样本中不同的形态学特征，并在提高组织病理学诊断的准确性、高效性和一致性上进行创新。
2017年，Lunit引入了一种人工智能算法，可以实现对淋巴结中乳腺癌转移的自动检测和阶段评估，这是人类第一次尝试将特定的病理学任务从头到尾自动化。
对区域性淋巴结的病理诊断（pN-stage：也就是判断乳腺癌是否已经扩散到淋巴结）这一诊断过程需要进行检查的图片数据量非常大，且图片的最高分辨率达到了200,000 × 100,000像素，这需要耗费病理学家大量的时间来对多个图片进行仔细审查，最后正确确定pN-stage。
Lunit运用其深度学习技术，开发出一种高度精确的pN-stage预测算法，该算法将多个淋巴结组织切片的肿瘤转移的检测和分类整合到一个临床结果中，使用来自Camelyon17数据集的淋巴结组织学图像来建立一个预测pN-stage的算法，该算法的性能水平超过了目前世界上大多的领先技术，其有可能显著提高病理学家的效率和诊断准确性。
场景：植入器械的人工智能
既然我们可以设计出深度解析病理影像的软件，那何不直接在影像采集时就对其进行优化呢？
如今，一些传统的器械企业也在尝试将过去死板的仪器智能化，用人工智能赋予其更精细的影像与更迅捷的分析效率。
1、福怡股份
福怡股份是一家深耕病理15年的医疗器械公司，其产品覆盖了病理影像采集、病理数据分析、远程病理诊断等服务，能够为病理科提供智能诊断整体解决方案。
其研制的数字病理智能诊断系统可以完成图像高清数字化转换，最高通量400片，实现了24小时无人值守自动扫描。病理切片高速扫描，无缝拼接，更改传统工作方式，让病理标本数字化，图像化，可存储化，为实现数字化、信息化打下良好基础。
福怡股份的数字病理远程诊断系统平台以AI技术为辅助，已积聚了全国近2000位公立医院在职病理科医生，为“远程病理标准实验室”进行诊断的是各省顶尖病理专家，每个省选取5~10位副高级以上专家，保证诊断结果在区域范围内具有一定权威性，杜绝漏诊，确保诊断结果真实可靠。
2、智影医疗
近日，智影医疗研发的一款 AI 显微镜——基于痰菌显微成像的肺结核自动诊断系统，即将正式投入商用。AI 显微镜应用了人工智能深度学习算法，可在3分钟内快速扫描整个玻片及进行结核杆 菌计数，诊断出肺结核。
传统的痰涂片检测医学图像处理方式是算法依据建立的规则对图像进行处理，规则不能适配所有个体，所以检测的准确率不高，而人工智能的图像处理，是经过了大数据的训练，深度学习开发， 可以大幅度提高检测的准确率。
智影医疗开发的 AI 显微镜融入了人工智能的图像处理和视觉处理技术，提供痰液染色涂片自动 扫描图像并进行智能检测分析，医生轻松输入指令，AI 就能自动识别、检测痰液染色涂片，之后定量计算和生成报告，并将检测结果实时显示到客户端中，及时提醒又不打扰医生工作流程， 能提高医生的诊断效率和准确度。
场景：病理与新药研发
当我们获取了基本的病理数据后，我们是否可以从中看出更深层次的，诊断以外的信息呢？有心的企业正尝试。
在没有人工智能前，对病理切片进行定量分析是一个几乎不可能完成的任务，只能凭借医者的感觉大致估量病变的范围。但人工智能的出现使组织细胞的精准计数成为可能。
在这种情况下，研究人员能够迅速精确地获取一段时间内切片的病变细胞数量、程度的数目及变化情况，就能轻易的观察出临床实验中的新药对病灶产生了怎样的影响。
顺着这一逻辑，我们或许可以利用AI观察动物受药后的组织细胞变化状况，从而更加精确地指导药物研发。
成都的知识视觉正在做这样的事，即为CRO提供提供定量的数字病理图像可视化与量化分析，以辅助药物临床科研。在与罗氏诊断的合作中，知识视觉的成果受到了罗氏的肯定。
但这一想法的起源并非面向AI新药研发，其创始人向飞在采访中说道：“我们致力于打造一个无代码化病理AI应用研发云平台，解决病理AI应用研发难度大、硬件投入大、沟通和数据标注成本高等问题，让病理医生可以根据实际需求无需编码就能实现病理AI应用的研究工作。”
国外的Reveal Biosciences、PathAI也在做类似的事。
近日，Reveal Biosciences获得了英特尔领投的A轮融资，其创始人创始人兼首席执行官Claire Weston博士表示：“迄今为止，Reveal Biosciences的ImageDx技术已为三百多家医疗机构提供信息服务。我们特定的数据集成方式，能够大规模且快速生成病理学AI算法。通过这次融资，我们很高兴能够扩大我们研究人员、病理学家和技术人员的生态系统，共同引领AI医疗找到新范式。”
场景：NLP与基因云
除了针对病理信息自身进行分析之外，研究或许可以将相关数据与基因库进行关联，在进行实验时同时监测受试者的表型和基因型数据。
而随着免疫治疗的发展，PD-1/PD-L1和CAR-T治疗中对新的肿瘤免疫标记物的空间定位和定量亦给病理诊断提出了更高的要求，这同样需要新的技术进行革新。
