病理AI：从基础模型到临床落地的技术革命

1. 病理AI的范式革命：从专用工具到通用大脑

病理诊断作为医学诊断的"金标准"，长期以来面临着人才培养周期长、工作强度大、诊断一致性低等核心痛点。培养一名成熟的病理医生通常需要10年以上的专业训练，而全球范围内病理医生的缺口却极为巨大。一名病理医生日均需要阅读上百张切片，每张切片包含数十亿像素的信息量，长时间高强度工作下难免出现视觉疲劳和判断偏差。即便是资深专家，对于同一份复杂切片也可能出现20%以上的诊断意见差异。

过去十年，数字病理技术让玻璃切片转变为超高清的数字全切片图像（Whole Slide Image, WSI），催生了第一代病理AI——任务特定模型（Task-Specific Models, TSMs）。这些模型就像"只会解一道题的学霸"，专门训练来完成细胞核分割、肿瘤检测、分级分类等单一任务。然而它们存在两个致命缺陷：首先，换个癌种或医院的切片，性能就会大幅下降；其次，训练需要病理医生逐张逐区域做精细标注，成本极高效率极低，面对罕见病这种"无标注数据可用"的场景更是束手无策。

随着大模型时代的到来，病理AI迎来了范式级的突破。病理基础模型（Foundation Models, FMs）和智能体AI（Agentic AI）的出现，正在从根本上改变这一领域的技术格局。这些新型AI在学术研究中展现出了惊人的能力，覆盖了从肿瘤诊断、分子预测到预后评估的病理诊断全流程。然而令人尴尬的是，这些在论文里"超越专家水平"的AI，真正能在医院常规落地的却寥寥无几，学术突破和临床应用之间出现了一道巨大的"现实鸿沟"。

1.1 基础模型如何突破数据瓶颈

传统病理AI的核心痛点在于"专用"和"依赖标注"，而基础模型带来的最大改变，是把AI变成了"先博览群书，再按需应用"的通用诊断大脑。这不是简单的性能提升，而是从底层逻辑上的彻底重构。

我们可以用一个形象的类比：

• 传统的任务特定模型，就像一个为了高考只反复刷单一题型的学生，换个题型、换个出题方式就直接不会了；
• 而病理基础模型，就像一个通读了几十万本病理专著、几百万张临床切片的全科医学生，它先通过海量无标注数据，学会了人体正常组织和病变组织的底层形态规律，再遇到具体的诊断任务时，只需要极少量的示例就能快速上手，甚至能解决从来没见过的罕见病问题。

支撑这种能力的是自监督学习（Self-supervised Learning）这套核心技术。过去的AI训练需要医生给每张切片、每个区域标好"这是肿瘤、这是正常细胞"，就像给学生的每道题都标好标准答案；而自监督学习是让AI自己从海量的无标注切片里找规律——比如遮住切片的一部分让AI预测被遮住的内容，或者给同一张切片做不同的变换，让AI学会识别"不管染色深浅、扫描设备怎么变，核心的组织形态是不变的"。

文献中提到的UNI、Virchow等经典病理基础模型，正是用这种方式在几十万甚至上百万张临床切片上完成了预训练。它们不仅能在肿瘤检测、组织分级这些常规任务上保持稳定的性能，在数据极少的场景下也不会出现明显的性能下滑。更厉害的是CONCH、PLIP这类视觉-语言对齐的模型，它们把病理图像和诊断文本放到同一个语义空间里学习，就像给AI配了一本"病理图文词典"，医生用自然语言说"找罕见的腺泡状软组织肉瘤"，AI就能立刻在数字切片库里检索到形态相似的参考病例，完美解决了罕见病诊断"无例可参"的痛点。

1.2 虚拟检测：从形态学到分子预测的革命性跨越

对癌症患者来说，除了"是不是癌"，最关键的问题就是"该用什么药"。靶向药、免疫治疗的选择离不开基因测序、免疫组化这些分子检测——但这些检测不仅价格昂贵、耗时久，还需要额外的组织样本，很多晚期患者根本没有条件反复取样。

病理基础模型带来了一个颠覆性的突破："虚拟检测"（Virtual Assay）。简单来说，就是直接从最常规、最便宜的H&E染色切片里，"读"出原本需要测序才能知道的分子特征。这就像给普通显微镜装上了一双分子级的透视眼，不用破坏组织，不用额外花钱，就能看穿癌细胞里的基因异常。

研究表明，GigaPath、TITAN等模型能精准预测TP53、KRAS、EGFR这些关键致癌基因的突变，还能识别肿瘤突变负荷（TMB）、微卫星不稳定性（MSI）这些和免疫治疗疗效直接相关的复杂生物标志物。甚至，它们还能预测原本需要免疫组化才能检测的蛋白表达、DNA甲基化状态和转录组亚型。这些能力意味着未来哪怕是没有分子检测条件的基层医院，也能通过一张常规切片，给患者做出精准的用药分层，让精准医疗真正普惠到更多人。

提示：虚拟检测技术的临床应用仍需严格验证。目前的研究多基于回顾性数据，前瞻性临床试验数据仍然有限。医生在使用这些AI预测结果时，仍需结合传统检测方法进行交叉验证。

1.3 多模态融合：构建数字多学科会诊系统

临床里真正复杂的肿瘤诊断，从来不是只看切片就行。一个完整的诊断需要结合患者的病史、影像学报告、基因检测结果、实验室检查，需要病理科、肿瘤科、影像科、放疗科的医生一起做多学科会诊（Multidisciplinary Team, MDT），才能给出最全面的诊疗方案。

新一代的多模态病理基础模型，正在把这个复杂的会诊过程变成一个可及、高效的数字化工具。文献中称之为"数字多学科肿瘤委员会"：通过多模态预训练，模型能把病理切片、临床病史、基因组学数据、放射影像等完全不同类型的信息，整合到同一个语义框架里，不仅能看懂切片里的形态变化，还能结合患者的既往病史、基因特征，给出综合的诊断判断。

更具突破性的是交互式的诊断能力。比如PathChat、MUSK这类模型支持医生用自然语言直接提问，如"这个切片里的淋巴管侵犯区域在哪里，对预后有什么影响"，AI就能精准定位对应的区域，结合临床指南给出对应的分析，就像一个随时在线的资深专家，陪着医生完成复杂病例的诊断，既减少了医生的工作负担，也降低了诊断的不确定性。

1.4 智能体AI：从黑箱判断到主动推理

一直以来，病理AI最大的争议之一就是"黑箱问题"：模型告诉你这个切片是恶性的，但你不知道它是根据什么做出的判断，医生不敢完全采信。而从基础模型向智能体AI的进化，正在彻底解决这个问题。

病理医生的诊断过程从来不是一眼定生死，而是一套完整的逻辑推理：先看整张切片的整体结构，提出可能的诊断假设，再放大可疑的区域，寻找支持或推翻假设的证据，一步步验证，最终形成完整的诊断结论和依据。智能体AI正是在复刻这套人类专家的认知workflow。

以SlideSeek、PathAgent为代表的病理智能体采用了"主管-探索者"的层级架构：

• "主管AI"负责制定诊断计划、提出假设
• "探索者AI"负责自主在几十亿像素的整张切片里漫游，放大感兴趣的关键区域，收集对应的形态学证据，再把证据反馈给主管AI，迭代完善诊断思路

最终输出的不仅是诊断结论，还有完整的、可追溯的推理链条，明确告诉医生"我看了哪些区域，为什么得出这个结论"。这一下就把AI从一个"只会给答案的黑箱工具"，变成了一个"会思考、讲证据、可解释的诊断伙伴"，医生不仅能知道结果，还能看清整个推理过程，自然也就敢放心地把它用到临床工作中。

2. 病理AI临床落地的三大核心挑战

尽管病理基础模型和智能体AI展现出诸多颠覆性能力，但在医院常规工作中却很少见到它们的身影。学术突破与临床落地之间存在三大核心鸿沟，每一个都是绕不开的现实难题。

2.1 数字化转型的高昂成本

病理AI落地的第一个门槛，根本不是模型本身，而是整个科室的数字化基础设施。与放射科几十年前就完成数字化转型不同，全球很多医院的病理科至今还是半模拟甚至全模拟的工作模式。

要用上AI，首先需要完成全流程的数字化：

• 采购高通量的全切片扫描仪，一台高端设备就要上百万
• 搭建配套的图像存储、传输、管理系统，一张数字切片就有1-3GB，一个中等规模医院一天产生3000张切片，一年数据量可达PB级，对应的存储、算力、安全维护都是持续的巨额开销

更麻烦的是法规带来的双重成本。比如美国的CLIA法规明确要求玻璃切片必须作为法定的原始记录长期保存，数字文件却没有统一的联邦保存规范，导致医院必须同时维护物理切片档案和数字切片库，存储和合规成本直接翻倍。

比前期投入更难的，是可持续的商业模式。医院花了几百万完成数字化、采购了AI系统，但这笔钱怎么收回来？在美国，AI辅助病理诊断没有永久的收费编码，医院没法单独向患者收费；虽然国内已将AI辅助诊断纳入医保收费，但全球大部分地区都还没有建立起成熟的报销体系。医院投入巨额成本却看不到明确经济回报，自然没有动力大规模推广。

2.2 完美数据与真实世界的差距

学术论文中AI的诊断准确率动辄超过99%，可一到真实医院里性能就大幅跳水，核心原因是"域偏移"（Domain Shift）——实验室训练数据与临床真实场景数据差距太大。

论文里的模型大多使用TCGA等经过严格筛选的标准化数据集训练，这些切片的扫描设备、染色流程、切片质量都高度统一。但真实临床场景中：

• 不同医院用的扫描仪品牌不同，光学系统、色彩校准完全不同
• 不同实验室的染色试剂、切片厚度、固定流程千差万别
• 真实切片里还会有笔痕、组织褶皱、对焦模糊等各种伪影

更隐蔽的风险是数据里的偏见和噪声。很多广为使用的训练数据集主要来自欧美人群和顶尖学术医疗中心，用这些数据训练的模型在其他种族、基层医院的切片上，诊断敏感性会明显下降。还有标注数据里的噪声会导致模型出现"灾难性继承"——把标注里的错误、批次效应当成真实的生物学特征，最终在临床中出现错误判断。

更重要的是，真实的病理诊断从来不是"是癌/不是癌"的简单二分类。一张切片里可能同时存在恶性肿瘤、良性增生、炎症反应、坏死组织，医生需要通过层级推理区分开容易混淆的良恶性病变，找到最关键的微小侵袭灶。而在封闭数据集里表现优异的模型，面对这种复杂的开放场景，很容易出现漏诊和误诊。

2.3 AI误诊的法律责任困境

随着病理AI从简单的分类任务走向生成报告、辅助决策的复杂应用，安全和责任问题变得越来越突出。

首先是生成式AI的"幻觉"（Hallucination）风险。能自动写病理报告的AI可能会生成看似合理但完全不符合事实的内容，比如编造不存在的病理特征、引用根本没有的临床指南，这些错误很容易被忙碌的医生忽略，最终导致诊断失误。

其次是对人的认知影响。文献中明确提到了"自动化偏见"（Automation Bias）——当AI给出一个自信的判断时，医生尤其是年轻医生、规培生很容易放弃自己的独立判断直接采信AI的结果，哪怕AI是错的。长期依赖AI还可能导致医生的诊断技能退化，即"用进废退"的技能脱失，一旦AI出问题，医生反而失去了独立诊断的能力。

最棘手的是法律责任的划分。如果AI辅助的诊断出现误诊导致患者受到伤害，责任该由谁承担？是最终签字的病理医生，开发AI模型的厂商，还是采购了AI系统的医院？传统的医疗责任体系中医生是最终责任人，但随着AI越来越深度地参与诊断决策，全球的监管和司法体系都还在探索对应的责任划分规则。欧盟的《AI法案》已经把临床AI系统划分为高风险医疗器械，要求厂商承担设计缺陷的责任，但具体到临床场景里的复杂情况，依然有大量空白需要填补。

3. 病理AI的未来发展路径

面对这些鸿沟，病理AI的未来发展需要从"以数据集为中心的模型优化"转向"以临床需求为中心的系统级设计"，真正解决可靠性、兼容性、经济性、合规性这些核心问题。

3.1 从预测模型到临床决策工具

对临床来说，模型的基准准确率从来不是最重要的，能否真正融入病理医生的日常工作流、能否带来实实在在的临床价值才是关键。

未来的病理AI不是让医生跳出自己的阅片系统单独操作AI软件，而是要深度嵌入到病理科的信息系统中，在医生阅片的过程中自动完成肿瘤区域标注、核分裂象计数、风险分级这些重复性工作，把医生从繁琐的机械劳动里解放出来，让他们能把精力放在复杂病例的诊断、和临床科室的沟通、对患者的诊疗指导上。

同时，模型必须具备持续迭代的能力，能跟着WHO肿瘤分类标准的更新、临床指南的修订、医院本地的切片特征不断校准和优化，而不是一个训练完就一成不变的"死模型"。

3.2 让精准医疗变得更普惠

病理基础模型最深远的价值是打破医疗资源的壁垒。过去，精准的病理诊断、分子分层高度依赖资深病理医生和高端的分子检测设备，只有大城市的三甲医院才能提供，基层医院和欠发达地区的患者很难获得同等质量的诊疗服务。

病理AI能把全球顶尖专家的诊断经验浓缩到一个模型里。基层医院的医生遇到罕见病例，可以通过AI的图像检索功能找到全球的参考病例；没有分子检测条件的医院，也能通过"虚拟检测"给患者做出精准的用药分层。这意味着不管患者身在何处，都能获得同质化、高质量的病理诊断，这正是精准医疗最核心的愿景。

3.3 人机协同的新模式

从基础模型到智能体AI，病理AI的进化方向从来不是替代病理医生，而是成为医生最可靠的"数字助手"。未来的病理科是"人-AI协同"的新模式：

• AI负责处理数据密集型的、重复性的工作，如全片的初筛、可疑区域的定位、定量指标的计算、多模态数据的整合
• 医生负责把控最终的诊断方向、处理复杂的疑难病例、和患者沟通诊疗方案，把专业能力用在最需要医学判断和人文关怀的地方

AI的存在不是让医生变得多余，而是让好医生能服务更多患者，让诊断变得更精准、更高效、更少出错。一百多年来，病理诊断一直是癌症诊疗的基石，它依靠医生的眼睛和经验守护着无数患者的生命。今天，基础模型和智能体AI的到来不是要颠覆这个百年金标准，而是给它装上数字化、智能化的翅膀，让这门古老的学科在精准医疗的时代焕发出全新的生命力。