外科研究所的研究生和數字醫學實驗室的科研人員，大家一起幫忙看圖片，可惜看完幾千張圖片后，僅僅只有一張圖片發現細胞里面有病毒的結構，而且還沒有觀察到任何腫瘤細胞凋亡的痕跡。其它圖片不管是腫瘤細胞的圖片還是正常細胞的圖片，都沒有發現k病毒的結構。
這些都是楊平預料到的，因為實驗不可能一帆風順，期間肯定會遇上這樣那樣的問題，實驗的成功就是不斷解決問題，不斷修正路線的過程，直到最后成功，很多實驗即使付出了巨大的努力，做了無數的工作，依然最后失敗，這也是常事。
何況現在這些圖片還有一張發現了腫瘤細胞內有k病毒的結構，其實這已經是取得巨大的成功，說明k病毒能夠成功到達腫瘤細胞，然后對它進行感染。
現在這種情況有幾種可能，第一可能是病毒在被血液運輸到腫瘤的過程中大部分被免疫系統消滅。第二，可能病毒有很多達到了腫瘤，感染腫瘤細胞的成功率極低。第三，感染腫瘤細胞的病毒能夠啟動細胞的凋亡程序，但是啟動凋亡程序的細胞沒有被捕捉到。第四，可能病毒無法啟動凋亡細胞。
不管多少種可能，有一點是可以肯定的，k病毒可以感染腫瘤細胞，只是能力強弱，概率高低的問題，現在這張圖片就是最有力的證據。
電拍下的圖片有幾萬張，靠人力這樣看圖的效率太低，而且也對眼睛不健康。
磨刀不誤砍材，楊平決定利用電腦輔助，他建議何主任的團隊開發出一個人工智能模型可以幫忙分辨這些圖片。
其實對于和何主任的團隊來說，開發出這樣的模型不難，因為現在他們已經有識圖的人工智能模型，但是主要用于病理切片和影像圖片看圖，這種模型在病理切片和影像圖片方面的識圖能力非常成熟，已經超過絕大多數醫生。
醫生可能一天看上百張病理切片很辛苦，但是人工智能可能幾秒鐘閱讀幾萬幾十萬張圖片，這種效率已經用在醫學上，很多醫院以后病理切片的看片可以全自動化，根本不需要病理醫生閱片，病理醫生的工作只是制作病理切片，如果病理切片制作也能自動化，那么病理醫生只需簡單處理病理標本就可。
任何人工智能需要大量的數據來喂養，否則人工智能也只是一個“白癡”。現在這次實驗中對提取的細胞電鏡圖片進行識圖，沒有先例可以參考，所以根本沒有數據去喂養人工智能。
盡管何教授這邊利用數字人技術已經開發出影像人工智能模型，專門用于智能閱片，比如x光片、mri及ct片，這個模型已經喂養了大量數據，進化得不錯。
但是對電鏡下的腫瘤細胞圖片，這是全新的圖片，沒有大量可以喂養的數據，所以人工模型無法獲得進化，派不上多大的用場。
何教授只能依據楊平總結出來的經驗開發一個圖片分析引擎，這個引擎不需要大數據來喂養，它就能夠對圖片進行解析，如果解析出來的結構與腫瘤細胞一樣，沒有多余的結構，圖片就被標記為非感染。
如果細胞內部被發現多出結構，立即將多出的結構單獨提出來進入下一個分析程序，如果分析出來與病毒的形態結構部分或全部相同，就標記為感染。
如果不確定的圖片被標記為不明確，這些圖片將留下來進行人工分析，此后依據人工分析的結果再總結經驗，將經驗應用于模型的改進，這樣它的引擎越來越先進，識別能力越來越強。
這其實跟殺毒軟件分析電腦病毒的引擎差不多，不同的是殺毒軟件分析電腦病毒的代碼，這個軟件分析的是電鏡圖片，但是大體原理上有類似性。
總之，現在楊平要與何教授的團隊緊密合作，將開發出各種不同的細分模型來輔助實驗，到時等人工智能大模型出來后，將利用大模型輔助科研，將科研的效率大幅度提高。