外科研究所的研究生和数字医学实验室的科研人员，大家一起帮忙看图片，可惜看完几千张图片后，仅仅只有一张图片发现细胞里面有病毒的结构，而且还没有观察到任何肿瘤细胞凋亡的痕迹。其它图片不管是肿瘤细胞的图片还是正常细胞的图片，都没有发现K病毒的结构。
这些都是杨平预料到的，因为实验不可能一帆风顺，期间肯定会遇上这样那样的问题，实验的成功就是不断解决问题，不断修正路线的过程，直到最后成功，很多实验即使付出了巨大的努力，做了无数的工作，依然最后失败，这也是常事。
何况现在这些图片还有一张发现了肿瘤细胞内有K病毒的结构，其实这已经是取得巨大的成功，说明K病毒能够成功到达肿瘤细胞，然后对它进行感染。
现在这种情况有几种可能，第一可能是病毒在被血液运输到肿瘤的过程中大部分被免疫系统消灭。第二，可能病毒有很多达到了肿瘤，感染肿瘤细胞的成功率极低。第三，感染肿瘤细胞的病毒能够启动细胞的凋亡程序，但是启动凋亡程序的细胞没有被捕捉到。第四，可能病毒无法启动凋亡细胞。
不管多少种可能，有一点是可以肯定的，K病毒可以感染肿瘤细胞，只是能力强弱，概率高低的问题，现在这张图片就是最有力的证据。
电拍下的图片有几万张，靠人力这样看图的效率太低，而且也对眼睛不健康。
磨刀不误砍材，杨平决定利用电脑辅助，他建议何主任的团队开发出一个人工智能模型可以帮忙分辨这些图片。
其实对于和何主任的团队来说，开发出这样的模型不难，因为现在他们已经有识图的人工智能模型，但是主要用于病理切片和影像图片看图，这种模型在病理切片和影像图片方面的识图能力非常成熟，已经超过绝大多数医生。
医生可能一天看上百张病理切片很辛苦，但是人工智能可能几秒钟阅读几万几十万张图片，这种效率已经用在医学上，很多医院以后病理切片的看片可以全自动化，根本不需要病理医生阅片，病理医生的工作只是制作病理切片，如果病理切片制作也能自动化，那么病理医生只需简单处理病理标本就可。
任何人工智能需要大量的数据来喂养，否则人工智能也只是一个“白痴”。现在这次实验中对提取的细胞电镜图片进行识图，没有先例可以参考，所以根本没有数据去喂养人工智能。
尽管何教授这边利用数字人技术已经开发出影像人工智能模型，专门用于智能阅片，比如X光片、MRI及CT片，这个模型已经喂养了大量数据，进化得不错。
但是对电镜下的肿瘤细胞图片，这是全新的图片，没有大量可以喂养的数据，所以人工模型无法获得进化，派不上多大的用场。
何教授只能依据杨平总结出来的经验开发一个图片分析引擎，这个引擎不需要大数据来喂养，它就能够对图片进行解析，如果解析出来的结构与肿瘤细胞一样，没有多余的结构，图片就被标记为非感染。
如果细胞内部被发现多出结构，立即将多出的结构单独提出来进入下一个分析程序，如果分析出来与病毒的形态结构部分或全部相同，就标记为感染。
如果不确定的图片被标记为不明确，这些图片将留下来进行人工分析，此后依据人工分析的结果再总结经验，将经验应用于模型的改进，这样它的引擎越来越先进，识别能力越来越强。
这其实跟杀毒软件分析电脑病毒的引擎差不多，不同的是杀毒软件分析电脑病毒的代码，这个软件分析的是电镜图片，但是大体原理上有类似性。
总之，现在杨平要与何教授的团队紧密合作，将开发出各种不同的细分模型来辅助实验，到时等人工智能大模型出来后，将利用大模型辅助科研，将科研的效率大幅度提高。
何教授开发一个模型也不是一两天能够做出来的，虽然他已经有收购来的基础模型可以利用，这些模型他的团队也已经消化吸收，但是利用这些模型进行修改也需要一定时间。
当时锐行医疗收购模型的时候，其中就有专长于实验室生物图片识别的模型，何教授团队可以这个模型上进行改进，这样节约很多时间。
其实收购也不是坏事，如果收购之后能够做到消化吸收他的技术，这样可以大大缩短研发时间，而且可以保持与国际同步。
杨平决定暂时停下图片的阅读，等何教授的识图引擎开发出来后再继续阅读后面的图片。他要将主要精力用来修改病毒的结构。
从第一次实验收集的数据来看，K病毒肯定引起了思思身体免疫系统的强烈反应，这种反应是非常危险的，有时候会要命。
所以杨平现在首要任务要改变K病毒的植入位置，这个位置非常重要，直接影响K病毒与人体免疫系统的互动，必须降低它对免疫的刺激，最好像一些病毒那样不会引起不良症状，或者只是引起轻微的一过性的流感症状。
这章没有结束，请点击下一页继续阅读！