引子：一张切片，10万张手机照片
2019年，湘雅医院病理科接到了一个特殊的「患者」——一块前列腺穿刺组织的数字切片（Whole Slide Image，全切片图像，WSI）。
如果把这张WSI打印出来，它的尺寸是1.5米 × 1.5米——相当于一面墙。文件大小40GB，相当于约10万张手机照片。而病理医生要在这面「墙」上找到几个可能只有针尖大小的癌细胞区域，做出诊断。
一个高年资病理医生，看一张前列腺穿刺WSI的平均时间是15-20分钟。AI呢？不到2分钟。
但这不意味着AI比病理医生厉害。这场「人机博弈」远比想象的复杂——看完这一章你就明白。
33.1 数字病理的挑战：「数据胖」是所有问题的根源
33.1.1 WSI是什么？
WSI（Whole Slide Image，全切片图像）是用高速扫描仪将病理玻片数字化后得到的超大尺寸图像。它的「大」到什么程度？
比较对象 常见尺寸 WSI（40×物镜）
手机照片 4032×3024 ≈ 1200万像素—放射CT 512×512×300层 ≈ 7800万体素 —一张前列腺穿刺WSI — 约10万×10万像素 = 100亿像素存储大小 — 20-80GB/张
33.1.2 WSI分析的技术挑战
挑战 问题描述 解决方向图像太大 GPU显存放不下一张完整的WSI分块（Patch）分析，把WSI切分成几千个小块标注太难 只能在整张图上标注微小区域多级标注：先找可疑区域→再细标→再确认批次效应 不同染色批次的切片颜色不一致 颜色归一化算法存储与传输 一个科室每天产生TB级数据专门的数据管理系统算力需求 传统病理科没有GPU服务器云病理平台
33.2 病理AI的核心任务：从「找」到「判」到「预测」
33.2.1 三大类任务
任务类型 做什么 代表算法 难度检测（Detection） 找到肿瘤细胞在哪目标检测（YOLO、Faster R-CNN） ★★★分割（Segmentation）
精确勾画出每一个细胞核的边界U-Net、Mask R-CNN ★★★★分级与预测（Classification+Prediction）
判断肿瘤级别/预测预后/推断基因突变Vision Transformer、多实例学习（MIL）
★★★★★
33.2.2 细胞核分割：一切病理AI的基础
如果说肺结节AI的基础任务是「找结节」，那病理AI的基础任务就是「细胞核分割」
——把每张WSI中数以万计的细胞核一个个精确勾画出来。
为什么这么重要？
后续任务 依赖细胞核分割的原因肿瘤区域检测 肿瘤区域细胞核密度高、形态异常Gleason评分 腺体结构分化程度（细胞核分布决定）
Ki-67计数 免疫组化阳性细胞核的精确计数后续任务 依赖细胞核分割的原因细胞学分类 单个细胞核的形态特征
33.2.3 多实例学习（MIL）：病理AI的「杀手锏」
病理AI面临一个独特困境：整张WSI只有一张标签（「癌/非癌」），但病灶只占WSI的千分之一甚至更少。 这就像给你一整本相册，告诉你「这里面有一张照片里有猫」，让你训练一个猫咪识别模型——但你不知道哪张有猫。
多实例学习（Multiple Instance Learning，MIL） 解决了这个问题。
MIL的核心逻辑是：将WSI切分成几千个Patch（小块），每个Patch是一个「实例」，整张WSI是「包」——只要包里的任何一个实例是阳性（含癌组织），整个包就是阳性。训练时，MIL算法自动学习哪些Patch与阳性标签最相关。
33.3 国内标杆案例：湘雅、华西、协和的实践
33.3.1 湘雅医院：前列腺癌Gleason分级AI
湘雅医院病理科与AI企业合作，开发了前列腺穿刺活检的Gleason分级AI系统。核心成果：
| 指标 | 结果 |
|---|---|
| 肿瘤区域检出率85%+（Cohen's Kappa > 0.75） | >98% |
| Gleason分级一致性（AI vs 高年资病理医生） | |
| 阅片时间节省关键发现 | 约40% |
| AI对Gleason | 3+3（低危）和Gleason 4+4以上（高危）分级 |
| 准确率高，但对Gleason分能力有限 | 3+4 vs 4+3（中危，仅比例差异）区 |
33.3.2 华西医院：多癌种病理AI平台
华西医院病理科是国内最早全面拥抱数字病理的科室之一。他们构建了覆盖肺癌、胃癌、结直肠癌、乳腺癌等多个癌种的AI辅助诊断平台。核心经验：
不只是「看图」，而是「全流程」：从标本接收→取材→制片→扫描→AI分析→医生审核→报告，AI嵌入全流程。
质量控制前置：AI在扫描时自动检测切片质量（染色是否均匀、有无气泡、有无组织折叠），不合格的切片直接退回。
亚专科专模：不同癌种使用不同的AI模型，而非一个「万能模型」。
33.3.3 北京协和医院：AI辅助MDT
协和医院病理科将AI引入肿瘤多学科会诊（MDT），AI在MDT会议上实时展示病理切片的AI分析结果（肿瘤区域标注、免疫组化评分、基因突变预测），供肿瘤内科、外科、放疗科专家参考。这种模式被协和定义为「AI参与的MDT 2.0」。
33.4 宫颈细胞学AI：最成熟的病理AI应用
33.4.1 为什么是宫颈细胞学？
在所有病理AI应用中，宫颈细胞学筛查是最成熟的——没有之一。
原因很简单：
有利条件 说明标本标准化 液基薄层细胞学（TCT）制片统一、质量可控任务明确 找异常细胞 → 分级（ASC-US/LSIL/HSIL） → 指引活检筛查量大 中国每年超过1亿人次筛查，病理医生严重不足阴性率极高 >90%的筛查片是阴性，AI可以快速筛掉阴性片
33.4.2 人机协同模式
宫颈细胞学AI的标准工作流：
AI初筛：AI对全部切片进行分析，将阴性率>99%的切片标记为「AI认为阴性」
医生复核：医生快速浏览AI标记为阴性的切片（每张<30秒），确认即可AI标注+医生判读：AI对阳性/可疑切片标注异常细胞区域，医生判读并分级
| 模式 | 医生工作量 | 漏诊风险 | 当前状态 |
|---|---|---|---|
| 纯人工 | 100%（每天60-80张）约5-10% | 不可持续 | |
| AI初筛+医生复核 | ~30%（主要看可疑片）<3% | 多个省市已在试点 | |
| AI独立诊断 | 5%（仅抽查） | 待验证 | 尚未获批 |
33.5 免疫组化AI：让「主观判断」变「客观量化」
33.5.1 PD-L1表达定量分析
PD-L1是免疫治疗（PD-1/PD-L1抑制剂）的关键生物标志物。但PD-L1的判读是一个高度主观的过程——不同病理医生对同一张切片的PD-L1阳性比例（TPS）判断可能相差20%以上。
AI的解决方案很简单：逐个细胞计数。
AI自动对所有肿瘤细胞进行分割，统计总细胞数；再识别PD-L1阳性（膜染色）细胞，计算TPS = 阳性细胞数 / 总细胞数 × 100%。
| 维度 | 人工判读 | AI辅助 |
|---|---|---|
| 一致性（Kappa） | 0.5-0.7 | >0.85 |
| 单张判读时间 | 5-10分钟 | 1-2分钟 |
| 判读精度 | 以10%为刻度 | 以1%为刻度 |
33.5.2 HER2评分：从小数点到标准化的跨越
乳腺癌HER2免疫组化判读面临相似的问题——需要判断染色强度和阳性细胞比例来给出0/1+/2+/3+的评分。AI的介入让这个评分从「病理医生的经验判断」变成了「可重复的量化指标」。
33.6 计算病理学：从「看图说话」到「预测未来」
33.6.1 什么是计算病理学？
计算病理学（Computational Pathology）是数字病理+AI的前沿方向，它的目标不再是简单的「肿瘤在哪」「什么级别」，而是从病理图像中提取肉眼无法获取的信息，直接预测基因突变、分子亚型和预后。
33.6.2 从HE切片预测基因突变
2018年，一篇发表在《Nature Medicine》上的论文震惊了病理学界：AI可以直接从常规HE染色切片上预测肺癌的基因突变类型（如EGFR、STK11、TP53等），准确率超过70%。
这意味着什么？患者做了常规病理检查后，AI就能初步判断：「这张HE切片看起来像是EGFR突变型肺腺癌，建议进一步做基因检测确认。」——不需要先做基因测序，HE切片上的微观形态已经「藏」了基因突变的线索。
33.6.3 从病理切片预测预后
另一个前沿方向是「预后AI」——直接根据手术切除标本的病理切片，预测患者的生存期和复发风险，效果超越了传统的TNM分期。
这背后是一个深刻的医学认知转变：肿瘤的预后不仅取决于「有多大」「有没有淋巴结转移」，还取决于肿瘤微环境中数以万计的免疫细胞、基质细胞、血管的复杂结构和相互作用——而这些信息全都「写在」病理切片上。
33.7 中国病理医生的「10万缺口」：AI不是锦上添
花，是刚需
33.7.1 触目惊心的数据
| 指标 | 中国 | 美国 | 差距 |
|---|---|---|---|
| 注册病理医生数量 | ~2万人 | ~2万人（人口约为中国1/4）人均相差4倍 | |
| 每百万人拥有病理医生~14人 | ~60人 | 相差4倍+ | |
| 病理医生缺口— | >10万人 | — | — |
| 每年新增病理切片 | >5亿张 | ~1.5亿张 |
33.7.2 AI的不可替代性
在放射科，AI是「提效工具」——放射科医生虽然也缺，但不至于「没AI就做不了」。
在病理科，AI是刚需——没有AI的介入，中国现有2万名病理医生的产能上限，远不足以覆盖每年5亿+张切片的诊断需求。尤其是在基层医院（绝大多数没有独立的病理科和病理医生），AI可能是实现病理诊断可及性的唯一现实途径。
33.8 对医生的启示
启示一：病理AI不会抢饭碗，会创造新饭碗
很多人担心「AI会抢病理医生的工作」。但现实是——中国只有2万名病理医生，却有超过10万的缺口。AI不是在抢0的饭碗，是在补10万的窟窿。
而且，计算病理学等新方向正在创造全新的岗位：谁来设计AI与基因检测的对接流程？谁来在MDT会议上解读AI的计算病理学报告？病理医生+AI素养=未来的核心竞争力。
启示二：数字化的「基础设施债」必须先还
很多病理科到现在都没有全切片扫描仪——切片制好后就是玻片，送检、会诊都是物理传输。这套「基础设施债」不还，再好的AI也用不了。推动科室数字化，比等AI产品成熟更重要。
启示三：关注「AI阴性排除」的价值
宫颈细胞学AI的实践已经证明：AI最大的价值不是帮你找阳性，而是帮你排除阴性。
90%以上的阴性结果可以被AI高速筛掉，让你集中精力看真正可疑的10%——这才是临床效率提升的本质。
33.9 本章小结
| 维度 | 核心要点 |
|---|---|
| 技术挑战 | WSI数据量巨大（20-80GB/张），分析需要分块+MIL策略 |
| 核心任务 | 细胞核分割→肿瘤检测→分级→基因突变/预后预测 |
国内标杆 湘雅（前列腺）、华西（多癌种平台）、协和（MDT 2.0）
最成熟应用 宫颈细胞学AI筛查（阴性率>90%，AI快速排除）
前沿方向 计算病理学：从HE切片预测基因突变和预后核心驱动力 中国病理医生缺口>10万，AI是刚需
33.10 延伸思考
你的科室/医院有全切片扫描仪吗？没有的话，推进数字病理最大的障碍是什么——预算、认知、还是工作量？
如果AI从HE切片预测的基因突变建议和基因检测结果不一致，你更相信哪个？
宫颈细胞学AI已经可以筛掉90%以上的阴性片——你觉得还需要多少年，AI才能在肿瘤病理诊断中达到类似的「排除阴性」水平？
本章初稿，待浩哥审阅。