作为现代医学诊断的基石，病理学正面临一场深刻的变革。沿用百年的、基于形态学观察的诊断模式由于内在的主观性限制了其作为“金标准”的稳定性与精确性，而不断增加的运营压力也考验着传统工作流程的效率极限。在这一历史性关口，以全切片成像（whole slide imaging，WSI）技术为基础的数字化革命，为人工智能（artificial intelligence，AI）的介入铺平了道路。AI的崛起并非偶然的技术点缀，而是应对这场聚合性危机的必然选择。本文系统地阐述了AI在病理学领域的发展轨迹，剖析了其如何从一个应对现实挑战的工具通过算法的持续迭代演进为一股重塑学科边界、开启预测性医学新纪元的变革性力量。

1   AI在病理诊断领域应用的必要性与实践价值

病理AI的研发并非始于对前沿技术的盲目追逐，而是深植于该领域所面临的三重结构性挑战。

1.1   全球性的病理医师人力资源赤字构成了严峻的现实基础

数据显示，全球病理医师资源分布严重失衡，在部分国家其缺口高达数万人^[1]。现有病理医师长期处于超负荷工作状态，这不仅催生职业倦怠，更直接威胁着诊断的精准度与时效。同时，人口老龄化与癌症筛查的普及导致诊断需求呈指数级增长^[2]。这种日益加剧的供需矛盾迫切要求引入能够分担高强度、重复性工作的技术解决方案。

1.2   传统病理诊断方法固有的主观性限制了其精确度的上限

病理诊断的核心是“形态学判断”，尽管被誉为诊断的“金标准”，但不同医师的经验、观察习惯、对诊断标准的理解都存在差异，导致“同片不同判”的现象普遍存在，尤其在肿瘤分型、预后指标评估等复杂场景中，主观误差直接影响治疗决策。无论是前列腺癌的Gleason分级还是乳腺癌的Nottingham分级，其结果均高度依赖病理医师的个人经验解读。研究表明，在这些关键的肿瘤分级任务（乳腺癌的Nottingham分级）中，专家间达成完全共识的比例甚至低至30%^[3]。这种一致性的缺失直接影响了患者风险分层、预后评估及治疗策略的制定，动摇了诊断客观性与可重复性的根基。而病理AI基于大规模标注数据集（通常包含数万至数十万张切片）训练，可精准学习诊断标准中的量化特征（如细胞大小、核质比、染色强度等），避免人为经验偏差。例如，在乳腺癌Ki-67指数（评估肿瘤增殖活性）检测中，AI的判读结果与人工结果一致性较好，具有更好的重复性^[4]。

1.3   现有工作流程的运营效率“瓶颈”带来第三重压力

病理报告的周转时间（turnaround time，TAT）不仅是评价病理科运营效率的重要指标，也直接影响临床决策、治疗启动时机和患者体验。然而，传统以人工为主的流程存在多重制约因素：样本接收与条码追踪不完善、石蜡包埋与切片制备耗时、染色与复染流程烦琐、镜检诊断占用病理医师大量的时间、会诊与复核流程冗长及人力短缺与加班负担。上述“瓶颈”会导致TAT延长，带来多方面负面影响，包括延误治疗、增加患者焦虑、降低临床团队对病理结果的依赖性、提高运营成本以及增加医疗风险和责任压力。数智化病理科的建设迫在眉睫，结合流程精简、自动化、数字化和AI辅助等多维度措施，能够有效缓解第三重时间压力，提升TAT与病理服务质量，从而更好地支持临床决策与患者管理^[5-6]。

这三重挑战共同指向一个必然结论：病理学正处在一场深刻的范式转型前夜。而催生这场革命的技术基石正是WSI的成熟。WSI通过将物理玻璃切片转化为高分辨率的数字资产，不仅突破了时空限制，赋能远程诊断与协作，更关键的是，它为AI算法的开发与验证创造了前所未有的海量标准化数据基础^[7]。这标志着病理学正从一门依赖定性观察的形态科学向一门数据驱动、精准量化的计算科学迈进。

2   算法演化助力病理领域的跨越式发展

AI在病理领域的发展，本质上是一部由对既有方法局限性求解推动的算法演进史。其演化路径可以概括为3个相继展开的阶段：从“证明可行性”的有监督验证，走向解决标注与规模化问题的弱监督范式，再到超越传统任务边界、追求通用性与多模态能力的基础模型时代。

2.1   监督学习的确证——奠定性能基石

病理AI的理论可行性首先需要通过严谨的实证研究加以验证，以确定在明确定义的病理学任务中深度学习模型能否达到或超越人类专家的水平。以乳腺癌淋巴结转移检测等大型公开挑战赛成果为代表的研究表明，在受控条件下，最优神经网络模型的AUC值等指标已接近甚至超越领域内专家或在模拟临床流程下的病理医师群体^[8]。这类里程碑式验证已在大规模公开数据集上通过严格的临床对照确立了深度学习在若干关键计算病理学问题上具有实际可行性，为后续研究注入了强劲动力^[9-11]。

与此同时，该路线也暴露了其根本性“瓶颈”：监督学习高度依赖像素级或区域级的人工标注，这类标注成本高昂、耗时且难以规模化。此外，基于密集标注训练的模型在不同来源样本间存在域转移和泛化能力受限等问题，这些都限制了传统监督范式的工业化落地。

2.2   弱监督革命——突破规模化“瓶颈”

为解决“标注瓶颈”弱监督学习，多示例学习（multiple instance learning，MIL）框架应运而生^[12]。MIL的精妙之处在于，它允许模型仅利用易于获取的切片级标签（如肿瘤或正常样本）进行训练，绕过了耗时、耗力的像素级标注。这一范式转变为病理AI的“工业化”应用打开了大门，使得在数万张WSI上进行大规模训练成为现实。基于注意力的MIL和无聚类注意力模块（cluster-less attention module，CLAM）等架构通过更高效地利用信息和引入约束，进一步提升了弱监督学习的性能与可解释性^[13-14]。可以说，弱监督学习的兴起是病理AI从“实验室验证”走向“大规模研究”的关键一步。

2.3   泛癌（pan-cancer）预测与基础模型——重定义学科边界

在解决了规模化训练的难题后，AI不再局限于模仿人类的诊断任务，而是转向探索形态学背后更深层次的生物学信息，标志着病理学进入了“计算组织基因组学”的新时代。研究人员发现，AI能从最常规、廉价的H-E染色切片中预测出原本需要昂贵分子检测才能获得的基因突变、微卫星不稳定性等分子特征^[15-16]。这一系列泛癌研究的成功，揭示了H-E染色切片作为一个蕴含丰富分子信息的“数据金矿”的巨大潜力，有望在全球范围内（尤其是在资源有限地区）普及精准肿瘤学的筛查^[17-19]。

而最新的发展趋势是向通用化、可扩展的基础模型迈进。以自监督学习预训练的通用病理学基础模型（universal pathology foundation model，UNI）模型和融合视觉与语言的多模态模型[如来自组织病理学标题的对比学习（contrastive learning from captions for histopathology，CONCH）]为代表，AI正从为单一任务设计的专用工具演变为能够理解病理学通用视觉语言且能与人类进行自然语言交互的通用平台^[20-21]。这预示着一个“对话式病理学”的未来，AI将从一个被动的分析引擎转变为一个可供查询、交互的智能伙伴。

3   AI赋能病理工作流程与诊断决策

算法的进步最终必须以可衡量的临床价值体现出来。当前，病理AI的临床落地主要集中在两大方面，直接响应了前文提出的三重行业困境（人力短缺、诊断主观性和流程低效）。

3.1   对病理科工作流程的重构

在诊断前端，AI可通过智能质控、病例分流（triage）和兴趣区域检测等“低垂果实”快速提升病理科工作效率并缩短关键诊断的TAT。智能质控可自动识别模糊、折叠、染色异常等问题并标注或剔除不合格切片，减少返工；病例分流基于全片图像快速筛查能够实现优先推送高风险或需紧急处理的样本，确保临床关键信息优先出具；兴趣区域检测能够突出显示可疑病灶并提供定量指标，指导病理医师快速聚焦与复核，降低漏读率并缩短阅片时间。将这些功能与条码追踪、LIS（实验室信息系统）/HIS（医院信息系统）及数字病理平台集成可实现端到端的自动化流转，为后续更复杂的AI诊断与标注积累数据。实施时须严格开展本地验证与跨设备、跨染色方案的性能评估，采用人机协同模式（AI预筛查、人工复核）建立上线后的性能监控、回环训练与质量管理体系，注意数据偏倚与监管合规，并做好人员培训与变更管理。总体而言，前端AI应用见效快、风险可控，是提升TAT与病理服务质量的有效路径^[22-23]。

3.2   对核心诊断任务的增强

病理诊断是“金标准”，提升病理诊断的准确性并使之指导临床工作是病理AI价值体现最核心的部分^[24]。在客观检测任务上，基于深度学习的淋巴结转移灶检测已在竞赛与临床验证中表现出接近或超越人类初筛水平^{[8, 25]}，并推动了若干商业化产品的落地，在乳腺癌淋巴结筛查等高负荷场景中也显著提升了灵敏度与通量。在标准化主观评估方面，AI在前列腺癌Gleason分级上取得重要进展：大型卷积神经网络经训练后能在多个读片者之间实现更一致的分级并减少观察者间的差异，这类系统的临床合规化与监管获批标志着AI在主观评估标准化上的实用化开始成型^[26-27]。在自动化定量任务上，AI能够稳定且高效地完成有丝分裂计数、免疫组织化学阳性细胞计数（如Ki-67阳性细胞）、肿瘤含量估算等重复性、费时且易受主观影响的工作，既提高了可重复性又释放了病理医师用于复杂判断的时间^[28]。更前瞻的是“计算染色/虚拟染色”和表型-分子预测研究：通过深度学习直接从常规H-E染色切片中预测驱动基因变异、微卫星不稳定性、免疫浸润状态及患者生存/治疗反应的概率分布^[29-30]，将病理学从单纯的形态描述逐步推进到预测性、分子关联的精准医学方向^[31]。同时，AI也催生了虚拟染色与图像合成技术（如基于网络的虚拟染色方法），为无损快速评估与多模态联合分析提供了技术可能^[32]。尽管成果丰硕，其临床推广仍需应对若干挑战：模型的跨机构泛化性、不同制备/染色/扫描条件下的稳健性、可解释性与责任归属、规范化的本地验证与监管合规，以及如何将AI输出有效融入病理医师决策流程（人机协同、风险管理与持续性能监控）。总体来看，AI在检测、分级、定量、影像-分子预测四大方向已展示明确且可度量的价值，短中期内可通过辅助而非替代的人机协同模式逐步将病理学推向更高效、更一致且更具预测力的临床实践。

4   病理AI应用的纵深发展

病理诊断被认为是疾病诊断的“金标准”，而AI的融入正以前所未有的深度和广度重塑这一领域。以淋巴结病理为例，AI的应用已从最初的转移灶检测发展到更深层次的临床指导、科研探索乃至生命本质的揭示。

4.1   贴合医生本质：从“单病种”到“泛癌种”的认知飞跃

现阶段病理AI模型多为“单能工”，即针对特定器官的特定疾病进行训练，如用于胃癌淋巴结转移的检测^[33]。然而，病理医师的培养和思维模式是逻辑性、延展性和联想性的，一位合格的病理医师能够诊断多种疾病。为了真正成为医生的得力助手，病理AI也必须具备这种泛化能力。

“泛癌种”模型的出现标志着病理AI从单一任务处理向整合性分析的飞跃。这类模型通过在海量、多来源、多癌种的病理图像数据上进行训练，学习不同肿瘤的通用特征和特异性表现。

（1）一模多病，提升效率：上海交通大学医学院附属瑞金医院发布的瑞智病理大模型RuiPath覆盖了中国每年90%癌症发病人群所罹患的癌种。这种“一模多能”的特性，使其在面对一张病理切片时，不仅能识别常见的肿瘤，还能辅助鉴别淋巴瘤、结节病等多种疾病发病的可能性，更贴近病理医师的实际工作流程。

（2）模拟思维，强化泛化：哈佛大学团队开发的CHIEF基础模型，通过对19个解剖部位的6万多张全切片图像进行训练，能够诊断19种不同类型的癌症，准确度接近94%^[34]。这种跨领域的学习能力使得模型在面对数据异质性或罕见病理形态时依然能保持较好的性能，展现出类似人类医生的逻辑延展能力。

4.2   指导临床实践：成为“医生中的医生”

病理诊断的价值远不止于一纸诊断报告。病理图像蕴含着海量的生物学信息，涉及肿瘤的微环境、异质性、分子表型及潜在的治疗反应标志物。病理AI的纵深发展正致力于将这些深层信息挖掘出来，从而超越诊断，为临床提供更精准的治疗和预后指导，使病理AI真正成为“医生中的医生”。

（1）预测治疗反应和预后：研究已证明，AI可以基于标准的H-E染色图像精准预测患者的生存和预后。在一项胃肠道癌研究中，基于H-E染色切片的AI模型可通过其风险评分锁定Ⅱ/Ⅲ期胃肠癌中无须化疗的低危人群。研究证实，辅助化疗仅对高危患者有效（交互作用P=0.01/0.006），这为低危患者免于不必要的辅助化疗提供了有力依据，直接助力精准医疗^[35]。此外，AI模型还能通过识别肿瘤微环境特征预测患者对免疫疗法等治疗方案的反应^[36]。

（2）融合多模态数据，提供综合决策：未来的病理AI将不再局限于病理图像本身。通过整合影像组学、基因组学、蛋白质组学等多维度信息，多模态AI模型能够提供更全面的临床决策支持。例如，国内一项研究开发并验证了一个基于多中心真实临床数据的高效、准确且无创诊断和分级的影像-病理基础模型用于前列腺癌。该研究展示了AI结合MRI如何定量反映前列腺肿瘤的病理特征，增强了AI基础模型在临床实践中用于癌症高效、准确且无创诊断和分级的能力^[37]。

4.3   赋能科研创新：唤醒沉睡的数据

病理科拥有医院数量最大、最完整的生物样本和相关数据，但这些宝贵资源在科研上的价值并未被充分挖掘。传统研究依赖于病理医师人工阅片和半定量分析，效率低且主观性强。病理AI凭借其强大的图像处理和数据挖掘能力，正成为唤醒这些沉睡数据的关键技术。

（1）发现新型生物标志物：AI能够从病理图像中提取人眼难以察觉的亚视觉特征（subvisual feature），并将其与基因突变、患者预后等信息关联，从而发现新的形态学或空间学生物标志物^[38]。在淋巴瘤的诊断中，AI模型通过对数千个细胞核的精确测量和形态分析，辅助医生对形态上难以区分的淋巴瘤亚型进行更精确的诊断^[39]。

（2）进行高通量数据分析：面对包含数百万甚至上亿细胞的数字WSI，AI可实现高通量的自动化分析。例如，AI可以快速量化淋巴结中的肿瘤负荷、肿瘤浸润淋巴细胞的密度和空间分布，以及三级淋巴结构的特征，这些指标都与肿瘤免疫治疗的疗效密切相关^[40]。AI具有的这种高效分析能力极大地加速了科研进程。

4.4   迈向因果AI：揭示生命过程的本质

当前多数病理AI模型主要基于关联性，即“看到什么”像癌症，但无法解释“为什么”会这样。因果AI的引入旨在从关联分析走向因果推断，探究细胞形态、组织结构与疾病发生、发展的内在逻辑和本质规律，这与笔者提出的“单细胞病理学”概念不谋而合^[41]。

（1）结合空间转录组学进行因果探索：肿瘤的发生是一个动态过程，它反映在细胞形态的连续变化上。单细胞病理学理念强调对组织内每一个细胞的精准分类和功能状态定义。通过将AI识别的特定细胞形态学特征与空间转录组学数据相结合，可以在原位解码这些细胞的基因表达谱。例如，AI可以在4-硝基喹啉-N-氧化物诱导的舌癌病理样本中识别出一群形态特殊的巨大细胞，通过空间转录组学分析这些细胞的基因表达，就可能揭示它们在抑制或促进肿瘤转移中的因果作用^[42]。

（2）重构疾病发展轨迹：通过对大量不同阶段的病理切片进行学习，因果AI有望重构出肿瘤细胞从非典型增殖到原位癌，再到浸润性癌并最终转移至淋巴结的连续形态演变过程。这不仅能加深研究者们对肿瘤生物学的理解，也为疾病的超早期诊断和干预提供了理论基础。

4.5   拓展新视角：多模态融合与3D病理的未来

除了上述4个方面，病理AI的纵深发展还体现在以下几个前沿方向。

（1）多模态数据融合诊断：未来的精准诊断必然是多维信息的融合。AI的发展正推动整合临床资料、血液学指标、影像图像、病理形态、分子和基因组学信息等多模态诊断模式的形成。这种模式将引领“下一代诊断病理学”时代的到来，使得诊断更加全面和精准。

（2）从2D到3D解锁空间维度信息：传统的2D病理切片只能提供复杂的3D结构组织中的有限信息。新兴的3D病理成像技术与AI分析结合，能够更全面地捕捉组织的3D形态，从而进行更精准的风险预测。研究表明，利用3D病理数据训练的AI模型在预测前列腺癌复发风险方面的表现优于依赖2D切片的模型的表现和病理学家。未来对淋巴结等复杂结构进行3D重建和AI分析可能会揭示更多与预后相关的空间生物标志物。

5   展望：迈向人机协同的未来

AI在病理学领域的纵深发展是一条由临床危机驱动、由算法创新引领并通过应用落地验证的路径。它并非旨在取代病理医师，而是通过自动化烦琐任务、量化主观评估、揭示隐藏信息将人类专家们从重复性劳动中解放出来，使其能专注于最复杂的整合性诊断决策。从解决人力短缺与诊断不一致问题出发，AI如今已开辟出“计算病理组学”的新疆界，成为推动病理学迈向更精准、更高效、更公平未来的核心引擎。尽管临床落地仍面临数据标准化、可解释性、伦理监管、系统集成等“最后一公里”的挑战，但应：建立标准化数据集以纠正偏倚源头（如样本多样性不足、标注不一致），并设立偏倚评估与纠偏机制；提升可解释性，给出清晰的推理路径与不确定性提示，便于医生理解；完善伦理与监管框架，保护患者隐私、明确责任，推动临床安全落地。总之，AI深度融合的人机协同正开启病理学的新时代，这不仅是对这门古老学科的革新，也是实现精准医疗的重要保障。