【摘要】数据处理和学习已成为推动医学进步的先锋，病理学和实验室医学也不例外。通过临床信息学与科研结合，包括基因组学，将蛋白质组学、生物信息学和生物统计学，应用于临床实践，为患者护理提供新的方法。计算病理学是一个新兴的病理学亚专业，为全视野切片图像、多组数据和临床信息学提供更好的解决方案。然而，计算病理学正面临几个挑战，包括集成不同来源原始数据的能力、硬件处理能力的限制，缺乏具体的培训项目，以及道德和更广泛社会可接受的实践问题，这些都仍需改善。整个计算病理学产业的建立需要患者和医生之间三个基本要素的重大变化：本地实验室、扫描中心和数据处理检索中心云枢纽/门户。计算病理学，通过信息集成和先进的数字通信网络，有望提高临床工作流程的效率和诊断质量，并最终建立个性化诊断和治疗方案。这篇综述描述了临床方向，并讨论了统计学方法，以及计算病理学的临床应用、潜在的障碍和未来的方向。

引言

人工智能(AI)是指编程计算机系统模拟人脑思考以及模仿他们的行为，比如学习和解决问题的能力。人们期望人工智能能够执行一些需要人类智能的任务，比如视觉感知，决策和沟通。基于AI的计算病理学作为一门新兴学科，最近在许多高质量的医疗领域为患者提供了更准确更适用的医疗服务。这一领域的主要优势和局限性在于:(1)经验丰富的病理学家缺乏和全球健康医疗资源的局限性；(2)可用健康数据的不断增加扩张，包括患者诊断治疗过程中产生的数字图像、组学、临床记录、病人的人口统计信息； (3)为更好治疗病人，管理和整合不同来源数据的复杂性增加；(4)为处理大数据，需要对基于机器学习的算法进行高效研究。人工智能技术如何处理在整个患者护理生命周期中产生的大量数据，以改善疾病的病理诊断、分类、预测。

计算病理学的最大优势在于减少诊断和分类错误。2016年CAMELYON大挑战(CAMELYON16挑战)是一个全球性的基于机器学习的程序，其用于评估苏木精和伊红染色(H&E)全片成像(WSI)上新的肿瘤自动检测算法，这已经取得了肿瘤检出率92.4%的优异成绩。相比之下,病理学家的肿瘤检出敏感性仅为73.2%。计算病理学有潜力去改变传统的病理学核心功能，而不仅仅是增长例如数字病理学、分子病理学和病理信息学的这些分支。计算病理学的目的在于提高诊断的准确性，优化病人护理，并通过带来全球合作来降低成本。随着科技的飞速发展，个性化精准医疗应运而生，而病理学是实现这一目标的关键因素所在。

数字病理学，机器学习和计算病理学

明场和荧光切片扫描器的发展使全视野切片虚拟化和数字化成为可能。数字病理包括了在数字化组织病理学、免疫组化或细胞切片方面使用全视野切片扫描仪，以及使用计算方法对这些数字化切片图像进行解释、管理和分析。切片数据可以存储在一个中央云空间中，允许远程访问信息以供病理学家人工审查或数据算法自动检查。它使人工智能（计算科学中产生数据算法的一个分支），应用于病理成为可能。基于智能程度，人工智能目前主要可以分为两类：弱AI和强AI。弱AI，又称人工窄智能，指的是基于经过完善的统计模型（即已经过训练执行了特定任务）对数据进行分类。相比之下，强人工智能，又称通用人工智能(AGI)，其通过从任何可用规范化数据来进行机器学习，从而创建智能并独立运行的系统。

一般来说，机器学习是指计算机系统对数据集中自动学习和改进、无需指令就能解决问题的人工智能过程。机器学习是使用了大量源数据、训练集以建立统计算法来运行新数据的AGI的高级分支。目前，各种基于机器学习的方法已经在病理中开发和测试，以利用基本形态模式来辅助病理诊断，比如癌细胞，细胞核，细胞分裂，导管，血管等。深度学习(也称深度结构学习)，是基于人工神经网络(ANNs)机器学习的子领域，根据输入的训练数据建立统计模型。深度神经网络为深度学习提供了架构。类似生物学人类大脑的复杂神经网络，ANNs可以自行判断它的解释或预测是否是正确的。ANNs由三个功能层的人造神经元组成，称为“节点”，其中包括一个输入层，多个隐藏层，和一个输出层。ANNs的人造神经元是相互联系的，他们的力量联系被称为“权重”。其中神经网络之间的联系可用统计学方法进行评估，包括聚类算法、k -最近邻、支持向量机(SVM)和逻辑回归。这涉及到人工神经元，它们与输出事件及其相关联系有关，承载不同“权重”，需要通过训练合格的大数据集来实现的特定任务优化算法(图1)。卷积神经网络是一种专门为视觉图像设计的深度多层神经网络。它使用卷积核和一组可学习的过滤器来建立池化层，以便于有效地减小图像数据的尺寸，同时仍然保留其特性(图2)。通过压缩图像，移除或减少尺寸，卷积核起到预处理的作用，然后计算机视觉和机器视觉模型再对数字图像，或图像的部分进行处理、分析和分类到已知类别。

基于更快更可靠的切片扫描技术发展，WSI数据可以训练和验证卷积神经网络模型。结合临床信息、生物标志物和多组数据，计算病理学将成为新护理标准的一部分。计算病理学不仅有利于更有效的病理学工作流程，还提供了更全面的个性化视图，帮助病理学家解决复杂疾病，改善病人诊断治疗进展。

图一

图二

图三

算法训练过程

病例选择

患者的选择是算法训练的第一步（图3）。训练集和验证集必须包括所有与疾病主题相关的样本类型或变体，包括分期、分级，组织学分类，并发症等，以消除假阴性和假阳性情况。算法仍非常依靠机器驱动过程，其无法识别没有包含在训练集中的变体，因此需要经验丰富的病理学家和计算团队选择样本的标准和之后的学习集切片，隔离和移除混淆变量。例如，如果患者患有其他疾病的医疗状况，就可能会干扰到结果。此外，不充分的切片准备，包括视野模糊，染色过度或不足，有气泡，以及组织折叠，都会产生不准确的算法。并且算法训练应收集全面的初始和随访临床信息，以及实验室结果。信息越相关，得到的算法就越精确。

全视野数字切片图像(WSI)

几家切片扫描系统的全视野数字切片图像已获美国食品和药物管理局(FDA)批准用于临床。第一个FDA批准的超快扫描仪，飞利浦IntelliSite病理解决方案(PIPS)，其分辨率为0.25 μm/像素，扫描15 x 15 mm的扫描区域所需时间为60s，装载300张切片的扫描容量。徕卡生物系统公司的Aperio AT2 DX系统，明场和荧光载片有400片容量。适用分辨率的数字图像的文件大小取决于玻片上的扫描区域。一般来说，病理图像尺寸很大，范围为每个图像1-3 GB。因此，它需要一个高容量的、快速的数字工作计算机，其达到临床认可算法所需的切片数量因组织类型和诊断而异。Campanella等人指出，至少需要10,000张切片才能达到良好的训练效果。同时Campanella还观察到徕卡Aperio扫描仪和PIPS之间预测存在差异性，并发现亮度，对比度和锐度会影响预测性能。

图像分析与自动化

Senaras等人对数字切片分析阐述了新的深度学习框架，即DeepFocus，其能自动识别数字切片的模糊区域，进行快速重新扫描，为病理学家和图像分析算法改善图像质量。Janowczyk等人提出了一个开源工具，即HistoQC来评估颜色直方图、亮度和对比每一张切片，并确定队列水平的异常值（例如，与同组中其他切片相比，染色颜色更深或更浅）。这些方法在质控中起着至关重要的作用，以标准化计算病理学中图像的质量。由于不同智能图像识别算法鉴别器的改进，基于大容量深度神经网络模型，病理学家可以从大量的手动标注（即手动对像素级的全视野图像进行标注）中解脱出来，而专注于临床工作流程的其他部分。基于patch的全视野数字切片图像 (224 × 224 ~ 256 × 256) 已被广泛应用于许多机器学习领域，为诊断或预后任务训练分级器。例如，Campanella 等人采用基于卷积神经网络和递归神经网络的“包”和“示例”的多示例学习方法（MIL），来对关于前列腺癌图像的H&E切片进行分类。Kapil等人应用深度半监督体系结构和辅助分类生成式对抗网络，其中包括一个生成网络和一个识别网络，实现了对非小细胞晚期肺癌穿刺活检免疫组化切片PD-L1表达的自动分析。Barker等人揭示了弹性网络线性回归模型和加权了表决系统，来区分多形性胶质母细胞瘤与低级别胶质瘤，其准确率达93.1%。

病理医生为中心的医疗系统

尽管大多数数字病理学和放射学的人工智能研究仍然集中在对肿瘤进行检测和分级上，计算病理学并不局限于形态模式检测。它也有助于人口统计信息、数字病理学、组学和实验室结果分析和判断。因此，人工智能有潜力帮助几乎所有方面的临床工作流程，从诊断到预后和个体化治疗都有所助益。多种来源的临床数据被纳入转化为数学模型来产生诊断推论以及预测，让医生、病人和实验室人员能够做出最好的医疗决定。例如，深度神经网络已经被应用于生物标志物自动标注乳腺肿瘤图像，例如HER2, ER和Ki67。Hamidinekoo等人创建了一种基于卷积神经网络的新算法，即乳房X线照相术-组织学-显型-连接模型，来连接和绘制乳房x光检查异常及其组织病理学表征之间的特征和表型。Mobaderany等人开发了基因存活卷积神经网络模型，以整合从组织学图像和基因组获得的信息，来预测事件发生时间的结果，对比目前临床样式对确诊鼻胶质瘤患者的总生存率所做出的预测更为准确。

因为电子健康记录(EHR)系统收集了患者年龄、种族、性别、社会史、临床史等医学数据，因此采用合适的算法，将这些数据作为独立因素应用于某一特定疾病是可行的。这些综合数据使病理学家能有更深刻的见解，并能够在疾病的不同阶段或不同状态的病人切换不同的算法进行治疗。随着移动设备和智能个人设备上的相关健康应用程序的普及，连续实时的健康信息可以直接被获取，如温度、心率、呼吸频率，心电图，体重指数，血液血糖和血氧含量，这些都可以记录到个人健康数据。然后这些数据就可以被合并进电子病历和实验室信息系统（LIS），重建虚拟和数字化的患者数据，这在过去是无法实现的，也超越了人脑限度。这种新的数据驱动的医疗系统需要病理学作为现代医学的基石，整合数据、算法和分析来提供高质量的、有效的护理。计算病理学和大数据挖掘的结合提供了一种可能性，即创造一种基于事实的、个性化医疗的革命方式。

全球病理服务模型

近年来三大方面取得了重大进展：网络存储到云存储的储存大量数据可能性，网络从WIFI-6到5G的增长速度，高性能中心处理单元(CPU)和图形处理单元(GPU)。这些技术进步不仅提高了人们的生活水平，在日常生活中对医学也有很大影响，特别是数字和计算病理学。随着网络和信息技术的迅猛发展，这些技术的进步使得医疗和计算资源集中化—受益于优化算法所用的更大样本数据量。此外，基于云的中央人工智能实验室和数字计算病理学的数据库也使全球网络计算病理成为可能。在本地实验室或集中的扫描中心，可以将组织学切片转换为全片图像和数字数据。这些数据可以转到中心实验室，利用电子病历数据和多组数据进行进一步分析(图4)。全世界不同地理区域的患者可以更快得到诊断、治疗和随访。与此同时, 病理学家能够获得他们需要的信息，随时照顾病人以及随时与任何地方的专家进行合作诊断治疗。深度学习平台有潜力发现更复杂或更微妙的联系，并帮助病理学家做出最好的临床诊断，以满足病人需求。

图四

人工智能病理示例

人工智能检测越来越多地被应用于不同样本类型的子领域。早期的人工智能辅助系统报告较高的准确性，为几乎所有计算病理学的子专业奠定了基础。

前列腺癌

Campanella等人验证了基于网络的高容量深度神经算法，用于图像分类和分析，其分类了44732全视野数字切片图像，横跨三个不同类型的癌症，包括前列腺癌，基底细胞癌和转移到腋窝淋巴结点的乳腺癌。至于全视野数字切片图像，他们发现五倍放大率下图片精度更高。他们训练了一个统计数据模型，其包含了每个组织类型基于MIL的分类器，实现了所有癌症类型的ROC曲线下的面积(AUC)面积高于0.98。其临床应用能使病理学家排除65-75%的切片而保留100%的敏感性。Wildeboer等人讨论了基于不同成像源的深度学习技术：磁共振成像、超声成像中的回声反射性；以及前列腺癌的计算机辅助诊断工具：计算机断层扫描中的放射密度。他们发现卷积神经网络架构的算法表现同等于甚至优于SVM或机器学习中的随机森林分类器。

结直肠癌

Korbar等人开发了多种深度学习算法，这是残差网络架构的改进版本，可以准确地对五种类型的结直肠息肉的全视野数字切片图像进行分类，包括增生性、无根锯齿型、传统锯齿型、管状和管状绒毛/绒毛型息肉。在2074张图像中，90%的图像用于模型训练，其余10%的图像被分配到验证集。结直肠息肉分类的总体准确率为93%（置信区间(CI) 95%，89.0-95.9%）。Bychkov等人基于420名结直肠癌患者的组织芯片(TMA)样本，将卷积神经网络和递归神经网络结构结合起来，预测结直肠癌预后。结果表明，基于深度神经网络的结果预测表明AUC为0.69（风险比(HR)，2.3; CI 95% , 1.79 -3.03）。作为比较，病理专家在两个TMA样本（HR, 1.67; CI 95%, 1.28 -2.19; AUC, 0.58）和全视野切片水平（HR, 1.65; 95% CI, 1.30 - -2.15; AUC, 0.57）上的表现都较差。这意味着比起经验丰富的病理学家，深度神经网络能够从结直肠癌组织形态中提取更多的预后信息。

乳腺癌

CAMELYON16挑战赛的冠军团队Wang等人，从乳腺前哨兵淋巴结的WSI正、负区域输入256x256像素块，训练各种类化模型，包括GoogLeNet Patch、AlexNet、VGG16和FaceNet。块分类准确率分别为98.4%、92.1%、97.9%和96.8%。在算法中，GoogLeNet的性能最好，总体上更快更稳定，对WSI的分类AUC为0.925。在深度学习系统的帮助下，病理医生诊断的准确率显著提高，AUC从0.966提高到0.995，人为错误率降低了约85%。此外，CAMELYON16和CAMELYON17挑战的标注WSI数据集的资源开放，使得测试数字病理学的新机器学习和图像分析策略成为可能。

细胞学

Martin等人应用卷积神经网络将宫颈细胞学图像分类为五个诊断类别，包括上皮内病变或恶性病变阴性、意义不明的非典型鳞状细胞、低级别鳞状上皮内病变、不能排除分级鳞状上皮内病变的非典型鳞状细胞和高级别鳞状上皮内病变，其准确率分别为56%、36%、72%、17%和86%，这意味着卷积神经网络能够学习细胞学特征。在另一项细胞病理学研究中，作者使用形态测定算法和基于VGG-19的语义分割网络，TPS尿液细胞病理学对尿液细胞学全片图像进行的分类显示，灵敏度为77%，假阳性率30%，AUC为0.8。

新冠病毒

在新冠肺炎疫情爆发期间，远程医疗和计算机辅助医疗正在迅速进入许多国家的市场。高传染性、系统性风险和社会孤立给传统医学带来了意想不到的挑战。应用基于人工智能的计算机辅助医学和电子病历的临床数据，包括人与人之间交互的个人临床风险因素和各种各样的社会数据，可以更优质和更安全的快速控制这一公共卫生突发事件。

几家人工智能公司一直在研发应对新冠病毒的产品。例如，韩国JLK检验公司正在整合逆转录聚合酶链反应(RT-PCR)结果、影像学检查和通用AI平台提供新冠病毒诊断，美国马萨诸塞州Persivia 公布了基于Soliton AI引擎的新型监测模块，用于识别和警告疑似新冠病毒阳性患者。马萨诸塞州Biofourmis 开发了一个名为Biovitals Sentinel的分析平台表格，该平台提供24/7远程监测，以识别早期临床恶化，并使早期干预成为可能。Schaar等人描述了机器学习提高COVID-19随机临床试验效率的有效性：它能够从指定的亚组别中加速招募受试者，并将受试者分配到治疗或对照组，其可以显著减少错误，所需患者也更少。

挑战

尽管机器学习在计算病理学中取得优异成果，并对此颇有助益，但在深度机器学习临床运用之前，以下问题仍需解决。

标准化和规范化

数字病理中全片图像的成功适配，很大程度上取决于准备高质量病理切片的每一步，包括包埋、切割、染色、扫描。切割时组织切片的折叠，覆盖切片时染色变化和气泡的存在，扫描时亮度、强度的差异，平均颜色和边界强度的不同设置都可能导致原始数据不可靠，而产生不准确的结果。协议和系统质控需要标准化，来减少来自于不同仪器的系统误差和随机误差，因为大数据的一个小小误差就可能导致误分类和改变切片预测方向，而这可能导致大量的假阳性或阴性结果。不同的开发人员通过不同的模型分析数据用于生成算法。积累的数据越多，算法就越精确，特别是针对罕见疾病和特定的小群体。采用标准数据格式和数据分析的归一化方法，将不同来源的连续数据集并成一个算法，因为不同的数据源可能会导致实践中的分类准确性不同。医学数字影像通讯(DICOM) 制定了包括放射学在内的医学影像标准 (www.dicomstandard.org)。它定义了医学图像的格式，使其与临床所需的数据和质量匹配。“DICOM标准”现在结合了新方法来处理平铺大图像：使之转换为不同的分辨率的多个框架图像和多个图像，然后通过这种方法来处理WSI。

在计算病理学中的作用

计算病理学不仅在医学研究中很重要，而且在临床实践中也不可或缺。为了实现这一目标，需要不同领域的专家参与到计算病理项目中去，包括数据科学家，如用于算法设计和架构的统计学家和生物信息学家，物理环境建设和硬件维护的工程师。其中, 病理学家在向开发团队介绍医学问题和临床应用以及在下游行业发展方面发挥着关键作用。在计算病理学中，病理学家不仅需要扎实的临床知识和经验，还需要统计分析和数据挖掘的能力，以弥合临床医学和人工智能之间的鸿沟，以便突然发生疾病或发现新的生物标志物时，病理学家可以快速反应，亦或是创建一个新的算法或优化现有的算法，以协助临床医生。此外，有着计算思维的病理学家能够了解数据分析过程中的潜在问题，因而可以清楚地解决临床问题。团队成员之间良好的沟通有助于设计出更高效的算法，因为尽管会生成相同的结果，不同编码方法的算法，特别是使用大数据时，会消耗不同的计算资源和时间。此外，人工智能病理学通过整合器官、组织学、细胞和细胞器层面的形态学和组学数据的分子细节，为实验病理学提供了极好的工具。

硬件局限

计算病理学应用的准确性在很大程度上依赖于大量的数据、可靠的硬件软件以及网络环境的支持。大的图像文件(每次扫描大约3 GB)需要大量的存储空间，并具备本地和云备份能力。此外，机器深度学习解决方案，特别是应用于病理图像分析时，严重依赖于图形处理单元(GPU，计算机图形卡上的一个芯片，用于快速操作图形和处理图像)。强大的GPU可以与CPU结合能够使性能显著提升，以提高计算能力并减少周转时间。无论是数据传输还是基于云的图像处理，内部网和互联网的数据带宽都成为一个瓶颈，限制了上传和下载的速度。只有当网络中的所有这些相关的元素都得到发展，并发展成为一个强大的的系统时，计算病理学才能向前推进，来帮助解决复杂多方面的医学、临床问题和研究任务。最后，FDA作为医疗器械的许可(510k)是确保临床可靠性和病理界接受度的关键所在。

道德

在基于人工智能和机器学习的计算驱动决策过程的新时代，计算病理学涉及到临床病史、组学数据、生活环境、社会习惯等大量信息的更加复杂的交互。很有可能，参与这些决策过程的专家将不再仅仅是病理学家。相反，决策小组将包括数据统计学家和生物信息学家等其他专家，而这可能会引发伦理问题。诊所、实验室和数据库之间大规模、敏感的健康数据传输可以实现更高的精准医疗，但同时也增加了安全漏洞。而为保护患者隐私和个人数据的严格政策又阻碍了计算病理学访问健康数据库，因此这需要创建更全面的训练数据集。《通用数据保护条例》于2018年5月在欧洲颁布，向处理欧盟公民数据用于科学研究的组织提出了新的要求。这一概念强调了相应的方法来规范计算病理学相关的安全和伦理问题，同时又不过度限制创新，这是困难的但又关键的一点。

未来的前景

医疗领域的技术创新发展迅速，如智能健康跟踪器、医疗实践中的诊断算法，已融入到我们的日常生活中。随着数字病理学、分子病理学和信息病理学的快速发展，计算病理学越来越多地涉及肺、肾、胃肠、神经、妇科等多个分支学科。我们认为，人工智能的初始阶段将从诊断特定癌症和组织类型分类等具体任务开始，而这需要简单明了的标准。例如，前列腺良性和恶性肿瘤的常见亚型和变异应包括在培训和验证中，以确保日常病理实践的可行性。随着时间的推移，收集的数据会更多，计算能力会更强大，人工智能的临床应用将会更加广泛，处于灰色地带或被人工智能标红的非特定病例将会减少。

日益增长的医学数据，包括基因组学、蛋白质组学、信息学和全片图像，有望整合为一个数据丰富的病理学，并加速人工智能辅助计算病理学的发展和繁荣。尽管目前仍存在许多挑战，但借助数字病理学技术和统计算法的部署，计算病理学将继续改善临床工作流程，改善病理医生和患者护理团队其他成员之间的协作。网络环境基础设施的改善、计算能力的增强和信息的广泛整合，为计算机病理学和协同数据模式开辟了新的视野，使云计算的中心实验室和数据库尽可能以更低的成本为患者提供更好的护理。

结论

在深度学习辅助病理的新时代，数据库、集成化、云实验室正成为病理日常实践的重要组成部分。此外，病理学家、数据科学家和业界正开始将基因组学、蛋白质组学、生物信息学和计算机算法一起整合为大量复杂的临床信息。通过这一过程，计算病理学可以为疾病的诊断、预后和治疗提供有价值的见解。虽然还面临着许多技术和伦理方面的挑战，但计算病理学作为一个协同系统，将促进工作流程，使临床团队能够在更广阔的平台上共享和分析图像数据。

目前，深度学习已用于解决越来越多的医学领域的专业化任务。以上讨论的几项研究表明，算法辅助不仅有潜力提高诊断的敏感性和准确性，而且还可以提高周转时间。此外，根据Sarwar等人的研究，全球59个国家约75%的病理学家对使用人工智能作为诊断工具感兴趣。总而言之，尽管有挑战和障碍，计算病理学有潜力改变和改善当前的医疗保健系统，这是十分有前景的。

本文缩写词和专业术语参考

AI：人工智能；计算机科学的一个分支，用于处理通常需要人类智能的任务。

ML: 机器学习；人工智能的一个分支，统计算法通过接触有代表性的数据来建立自己的模式，并对新数据进行解释和操作。

SVM:支持向量机；一种统计方法，通过训练以最大可能的差距区分数据的类别。

RF: 随机森林；一种使用决策树网络对数据进行分类的统计方法。

k- NN: k-最近邻；一种基于k近邻数的数据分类和回归的统计方法。

DNNs: 深度神经网络；也被称为深度学习(DL)，它是机器学习的子集，使用复杂的多层架构，包括多个隐藏层和大量节点连接。

ANNs: 人工神经网络；一组基于深度神经网络分层互连的人工神经元，以探索更高层次的特征来模拟生物大脑。可训练参数个数≥10万。

RNNs: 递归神经网络；一种人工神经网络，隐藏层内节点之间的连接是循环的。

CNNs: 卷积神经网络；一种专门为机器视觉领域设计的人工神经网络，在图像识别和分类等图像分析领域的应用最为广泛。

CV: 计算机视觉；快速准确地分析数字图像的趋势和模式，模仿生物视觉。

MV: 机器视觉；在速度和准确性方面与CV类似，但应用主要集中在效率方面，如自动检测，机器人引导过程。

AUC: ROC曲线下的面积；由ROC曲线下的面积(从0.5(最低)到1(最高))来进行测量性能。

GoogLeNet: 谷歌为计算机视觉和分类而创建的CNN模型。

FaceNet: 用于人脸识别和分类的CNN模型。

AlexNet: 由Alex Krizhevsky设计的CNN模型，并在2012年ImageNet大型视觉识别挑战赛中获得了前五名。

VGGNet: 由牛津大学视觉几何组(VGG)创建的CNN模型，并在2014年获得ImageNet大型视觉识别比赛的亚军。