人工智能病理诊断实际应用的研究进展

来源：市场资讯

（来源：中国数字医学）

来自产业界、医疗机构、学术界、科技及监管部门的代表于2025年4月在中国杭州召开“未来病理国际研讨会”，会议围绕人工智能病理的工业化与实施路径展开深入讨论，涵盖病理设备与软件供应商、医疗中心和医院、第三方诊断中心、政府监管机构及数字健康研究机构等多方视角，提炼出具有实践指导意义的关键见解。本研究在共识基础上整合数据隐私治理与区域协作机制等核心要素，提出一套可复制、可推广的实施蓝图，旨在推动人工智能病理由概念验证走向常规临床实践。

Part.1

人工智能病理诊断的现状分析

以图像为基础的病理大模型的最新突破显著加速了人工智能驱动诊断工具的研发与应用进程 ，与此同时，面向临床病理场景的视觉－语 言 模 型（Vision–Language Models, VLMs）开发也取得了重要进展 。多款由中国团队主导的基础模型已发布或以预印本形式公开 ，并在关键技术瓶颈问题上持续取得突破。

基础病理大模型（Pathology Foundation Models, PFMs）的出现为计算病理带来了范式转变。通过在大规模、多来源数据上进行预训练，PFMs能够学习具有较强泛化能力的组织形态表示，并在多种下游任务中实现迁移应用。这种“预训练－微调”的模式显著降低了特定任务对高质量标注数据的依赖，使得跨疾病、跨中心的模型开发成为可能。同时，视觉－语言模型的引入，使人工智能系统能够结合图像与文本信息进行推理，从而支持更复杂的诊断与决策场景，并推动病理人工智能由单一判别模型向综合决策支持平台演进。

未来应从静态分类任务扩展至动态疾病建模。这包括整合纵向数据（如多时间点切片）、多模态数据（如空间转录组、蛋白组及临床随访数据），构建能够描述疾病发生、进展与治疗响应的模型体系。在这一过程中，PFMs将逐步从“通用特征提取器”演化为“疾病理解与预测平台”，不仅支持诊断，还能够参与风险分层、疗效预测及疾病机制研究。这种转变将推动人工智能病理从“图像识别工具”升级为“医学知识发现系统”，并为精准医学提供更加深入的支持。

Part.2

人工智能病理诊断的问题与挑战

尽管人工智能病理技术在算法层面取得显著进展，但其生态系统仍不完善，这已成为制约其规模化应用的核心瓶颈。首先，医疗数据的获取与共享仍面临严格的监管限制，不同机构之间在数据格式、存储方式及治理规则上的差异，使跨中心数据整合成本高昂。即使在技术上具备联合学习或计算能力，其在实际部署中的复杂性与资源需求仍然限制了其广泛应用。

其次，数据安全与隐私保护要求持续提升，如何在保护患者隐私的前提下实现数据价值释放，仍是一个尚未完全解决的问题。此外，知识产权与授权机制缺乏统一标准，不同参与方在数据、模型与应用之间的权责划分不清晰，往往导致合作效率降低甚至阻碍项目推进。标注体系同样是生态中的关键短板。当前高质量病理标注仍主要依赖人工专家，缺乏规模化与标准化机制，这不仅限制了数据生产效率，也影响模型训练的一致性与可靠性。

从更宏观的角度来看，人工智能病理的发展需要一个开放、可信且可持续的生态系统。这一生态系统应在数据共享、安全治理、知识产权、技术标准及商业模式之间建立平衡，并通过标准化接口与模块化架构支持不同参与方的协同创新。未来，随着第三方服务提供商、人工智能平台及临床机构的深度融合，一个多方参与、分工明确的生态体系有望逐步形成，从而推动人工智能病理从技术探索走向产业化与临床常规应用。

Part.3

人工智能病理诊断发展策略

（1）构建全国标准化基础设施

人工智能病理诊断的大规模应用首先依赖于高质量、标准化的数据基础设施。当前，不同医疗机构在组织处理流程、染色方案、扫描设备及数据格式方面仍存在显著差异，这种异质性严重限制了模型的跨中心泛化能力，也是制约临床规模化部署的关键瓶颈。未来应推动建立覆盖全国的病理数字化标准体系，统一全切片扫描图像（Whole Slide Image, WSI）的存储格式、元数据结构及接口规范，提升跨平台互操作性，并形成支持多中心共享的数据资源网络。

（2）构建基础模型驱动的智能诊断体系

当前多数人工智能病理模型仍依赖大规模人工标注的监督学习范式，受限于标注成本高、专家资源稀缺及标签主观性强等问题，其扩展性与泛化能力存在天然瓶颈。未来的发展方向应从任务导向的监督学习逐步转向以基础模型为代表的自监督学习框架，通过利用海量未标注WSI数据学习通用病理表征，降低对高质量标注的依赖，提升模型对跨中心、多场景数据的适应能力。

（3）建立可持续的临床部署生态

人工智能病理的规模化落地不仅是技术问题，更依赖于完善的临床部署生态。考虑到数字病理设备及本地算力投入成本较高，未来可探索“人工智能即服务”（Artificial Intelligence as a Service, AIaaS）模式，通过标准化接口将模型部署于医院本地或合规云端，实现按需调用与持续更新，从而降低医疗机构的初始投入门槛。

Part.4

局限性与未来展望

尽管人工智能病理诊断展现出显著的发展潜力，但其从研究验证走向临床级规模化应用仍面临多方面限制。首先，数字病理基础设施建设成本较高，包括全扫描设备采购、存储与算力资源投入以及信息系统改造等，这在区域医疗资源配置不均衡的背景下可能进一步扩大机构间数字化能力差距。特别是在基层医疗机构，数字病理基础设施尚未完全普及，人工智能系统的大规模接入仍面临现实门槛。

其次，现有人工智能模型的性能评估仍主要基于回顾性、多中心验证数据，长期真实世界部署证据相对有限。模型在临床运行过程中可能受到样本分布漂移、设备升级、染色流程调整及病例谱变化等因素影响，导致性能衰减。与此同时，针对持续学习模型的动态监管机制尚不成熟，如何在保障模型持续优化的同时维持诊断安全性，仍需进一步探索。

此外，人工智能系统与现有病理诊断工作流程的适配性仍有待优化。病理诊断具有高度专业化和责任归属明确的特点，人工智能的引入不仅涉及技术整合，更需要工作模式重构、责任边界界定以及临床接受度提升。若缺乏充分的人机协同设计，人工智能可能增加额外认知负担，而非真正提升诊断效率。

未来研究应重点推动人工智能病理从“算法性能验证”向“临床价值验证”转变。基于多中心连续部署的真实世界证据积累，将为动态监管框架建立、支付机制优化以及系统持续迭代提供关键支撑。同时，多模态基础模型、自监督持续学习以及病理知识驱动的可解释人工智能，有望进一步提升系统泛化能力与临床可信度。最终，人工智能病理的发展不应仅追求模型性能突破，而应服务于构建更加高效、公平与可持续的病理诊断体系。

内容来源：余维淼，刘东戈，步宏，等.人工智能病理诊断实际应用的研究进展[J].中国数字医学,2026,21(6):1-6.

作者单位：新加坡科技局生物信息研究所智慧数字分子实验室（余维淼）；北京医院病理科（刘东戈）；四川大学华西医院病理科（步宏）；浙江大学医学院附属第一医院病理科（任国平、张秀明、章京）；深圳南山人民医院病理科（笪冀平）；浙江省人民医院病理科（陈云昭）；东北大学（李晨）；西安交通大学智能网络与网络安全重点实验室（李辰）；中日友好医院病理科（钟定荣）；第四军医大学基础医学院，西京医院消化管理国家重点实验室（王哲）

通信作者：余维淼，章京