病理大模型:AI读切片几秒,敢签字吗

在医院里，病理科医生有个别称，叫"医生的医生"。外科切下来的组织，最后是良性还是恶性、是什么类型、切没切干净，都靠他们在显微镜下给出结论。这个判断往哪边走，直接决定患者接下来是回家观察，还是上手术台、做化疗。

麻烦在于，这份工作极度依赖人眼和人脑。一张切片上可能有上万个细胞，异常的可能只有几百个，医生得一个一个看过去。而培养一名能独立签发报告的病理医生，往往需要十年上下，人手的增长远远追不上切片的增长。

于是一个问题被摆上桌面：能不能让 AI 先替医生把片子看一遍，把可疑的地方圈出来？这几年，医学界给出的答案叫"病理大模型"。它已经不只是论文里的名词，国内有医院把它接进了日常诊断流程。但它能做什么、不能做什么，值得说清楚。

01  先弄清楚它看的是什么

病理大模型处理的不是普通照片，而是全切片图像（WSI）。

医生把玻璃切片放到扫描仪上，扫出一张数字图像，一张就有几亿甚至几十亿像素，比普通相机照片大上千倍。直接把它丢给 AI 不现实，于是流程是先把整张切片切成几万个小方块（patch），再逐个分析，最后把结果拼回整张片子。医生在屏幕上看到的彩色标记框，就是这么来的。

难点在于"教"它认东西。早期做法是人工标注：医生一个个圈出癌细胞、淋巴细胞、坏死区，AI 学着模仿。这种做法有两个代价，一是标注极其耗时，瑞金医院病理科当年一个医生一天最多标注 70 张切片；二是一个模型只会一个任务，认淋巴瘤的模型不一定认胃癌。

大模型换了个思路，叫自监督学习。不给标准答案，让模型自己从海量切片里找规律。常见的做法类似做完形填空：把图像的一部分遮住，让模型猜被遮住的是什么；或者给它两个相邻的小方块，让它判断是不是来自同一张切片。这样做不需要人工标注，模型看过几百万张切片之后，会自己总结出"什么样的细胞核算异常""腺体怎么排列才算正常"。

这里可以用一个比喻理解整套流程。预训练像读通识预科，模型在海量图像里把病理形态的底子打牢；下游任务微调像上岗专训，针对乳腺癌、淋巴瘤某个具体任务，用少量标注数据再教一遍。好处很直接：上岗前已经学过一遍，专训时就不需要那么多标注样本了。

02  从"一个任务一个模型"到"一个模型干很多活"

2024 年是个明显的分水岭。

这一年，哈佛医学院等团队在《Nature Medicine》发表了 UNI，一个通用病理基础模型。它的预训练数据是 10 万张以上诊断级切片、超过 1 亿张图像，总量约 77TB，覆盖 20 种主要组织类型。论文在 34 项病理任务上做了评测，不仅超过此前的方法，还展现出一些新能力，比如不依赖放大倍数做组织分类、用少量样本原型做切片分类、在包含上百种癌症的 OncoTree 体系里做亚型判别。

同期的路线还有几条：Virchow 用更大的数据规模做病理基础模型，Prov-GigaPath 把十亿像素级的全切片纳入建模，CONCH、TITAN 这类模型则把图像和文字对齐，让模型不只是"看图"，还能理解病理描述文本里的语义。

国内团队的进展同样密集。PathOrchestra 在 287,424 张切片、21 种组织上训练，评测覆盖 112 项任务，其中 47 项准确率超过 0.95，并首次实现了结直肠癌和淋巴瘤的结构化报告生成。面向全切片问答的 ALPaCA 用约 3.6 万张切片训练，内部闭式问答准确率超过 90%，外部独立队列维持在 77% 到 82%。另一款多模态助手 SlideChat 用了 27.4 万条多模态指令样本，覆盖 31 种癌症，在闭式问答上的准确率比当时的最优基线高出 19.1%。

这些数字看着漂亮，但需要说明：它们主要来自回顾性评测，也就是用已有数据回头测试模型，不等于在真实临床里同样好用。这一点后面会展开。

03  它已经进了日常诊断流程

病理大模型最值得关注的变化，是从"演示"走向了"高频使用"。

据瑞金医院病理科主任王朝夫介绍，科室从 2017 年就开始积累数字化切片和标注，2025 年初，基于这些积累的病理大模型正式走向临床。目前覆盖了中国每年全癌种发病人数约 90% 的癌症类型，超过 70% 的病理诊断有 AI 辅助，大部分任务的符合率在 90% 以上。具体到一张片子，AI 会先做全片扫描，把可疑区域用彩色线条勾出来，医生第一眼就看到"重点关注区"，不必再从成千上万个正常细胞里大海捞针。

与商汤医疗合作的 SenseCare 数字病理 AI 辅助诊断模块，则给出了一组真实使用数据：2025 年 8 月到 2026 年 8 月，在瑞金医院累计被调用 25.3 万次，多专业数字切片阅片率达到 90.15%，消化道小样本和前列腺穿刺模块的数字阅片率都超过 93%。部分场景下，常规病理报告周期从过去的约 7 天缩短到 1 到 2 天。

瑞金医院还与华为联合发布了 RuiPath 临床级多模态病理大模型，并将其开源。开源这件事的意义在于，基层医院可以用相比传统训练模式少得多的切片量，训练出贴合自身数据的模型。病理 AI 过去有个尴尬：一套系统动辄需要数百万元硬件投入、半年部署周期，基层医院用不起也用不好。模型开源加云上算力，瞄准的就是这个缺口。

政策层面也在推。2025 年 8 月，国务院发布关于深入实施"人工智能+"行动的意见；同年 10 月，《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》出台，对 AI 在基层应用、临床诊疗等方向作了系统性部署。

04  为什么还不能让 AI 单独下结论

如果只看到上面的成绩，容易得出"AI 马上要取代病理医生"的结论。事实不是这样，几道坎很清楚。

第一道是跨院泛化。病理切片在不同医院、不同扫描仪、不同染色批次下，颜色和质感都会有差别。模型在本院数据上表现好，换一家医院可能就掉下来。2025 年一篇综述直接把它称为"验证危机"，指出模型在零样本测试下的泛化能力普遍不理想。2026 年《Mol Cancer》的一篇系统性评述也强调，技术准确率并不会自动转化为更好的诊断路径，真实世界的前瞻性部署仍然罕见，关于校准、亚组表现和数据来源的报告也不一致。

第二道是黑箱。医生签字是要负责任的，如果一个模型给出"恶性"的结论却说不清理由，医生很难在报告上背书。可解释性落后于临床需求，是目前公认的短板。

第三道是幻觉。基于大语言模型的病理助手在生成报告时，可能出现看似合理、实则错误的描述。细胞学、移植病理、冰冻切片、罕见肿瘤这几类场景，是当前模型尤其吃力的部分。

第四道是公平性。如果训练数据里某些人群、某些病种偏少，模型的表现在这些群体上就可能打折，这在医学场景里不是小事。

所以现在通行的做法是把 AI 定位成"副驾驶"：它负责圈定可疑区域、给出参考意见、起草报告初稿，最终判断和签字仍然由病理医生完成。这个分工在短期里不会变。

05  下一步：从"是什么病"到"该用什么药"

真正让病理学界兴奋的方向，是让模型读出图像里藏着的分子信息。

常规做法是，判断肿瘤基因突变要另外做基因检测，判断免疫治疗是否适用要做免疫组化染色，都要额外的组织、时间和费用。而多项研究显示，AI 可以直接从常规的 H&E 染色切片里预测基因突变状态、免疫表型，甚至辅助判断 HER2、ER、PR 这类生物标志物。有研究用 11,135 张切片、7,033 名患者的数据，做出了覆盖肾癌检测、分型、分级和生存预测的全流程模型，九种主要亚型的分类 AUC 在 0.956 到 0.998 之间（回顾性结果）。

还有一些更实用的方向。比如用生成式 AI 做"虚拟染色"，从无标记的自动荧光图像里直接合成 Masson 三色、弹力纤维染色等多种特染图像，省去实际染色流程，有研究报告其与真实染色的一致性相关系数达到 0.83 和 0.92。这类技术如果成熟，能切实压缩病理科的时间成本。

王朝夫对未来有一句概括："一切事物的本质，都会以现象的形式呈现出来。"他的意思是，只要数据积累到足够程度，AI 就能从形态里读出背后的分子信息。到那一步，病理诊断回答的就不只是"这是什么病"，还能告诉医生该用什么药、预后怎么样、复发风险高不高。

这个目标还很远。就今天而言，病理大模型已经证明了自己能提高效率、能覆盖大量常见癌种，但它仍然是一个需要医生把关的辅助工具，而不是一位可以独立签字的诊断者。

主要信息来源

Chen RJ, Ding T, Lu MY, et al. Towards a general-purpose foundation model for computational pathology. Nature Medicine. 2024. DOI: 10.1038/s41591-024-02857-3. PMID: 38504018.

Al-Asi H, Yilmaz I, Reynolds J, et al. Pathology Foundation Models: Evolution, Current Landscape, Challenges and Opportunities from a Technical and Clinical Perspective. Bioengineering. 2026. DOI: 10.3390/bioengineering13050577. PMID: 42194333.

Cheng CH, Wong CC. The role of artificial intelligence-based foundation models and "copilots" in cancer pathology: potential and challenges. Journal of Experimental & Clinical Cancer Research. 2025. DOI: 10.1186/s13046-025-03592-4. PMID: 41316486.

Yan F, Wu J, Li J, et al. PathOrchestra: a comprehensive foundation model for computational pathology with over 100 diverse clinical-grade tasks. NPJ Digital Medicine. 2025. DOI: 10.1038/s41746-025-02027-w. PMID: 41258399.

Chen Y, Ma C, Li Q, et al. SlideChat is a multimodal generative artificial intelligence assistant for whole-slide computational pathology across cancer types. Nature Cancer. 2026. DOI: 10.1038/s43018-026-01220-4. PMID: 42680939.

Gao Z, He K, Su W, et al. ALPaCA: Adapting Llama for Pathology Context Analysis to enable slide-level question answering. Nature Communications. 2026. DOI: 10.1038/s41467-026-76372-z. PMID: 42754557.

Bilal M, Raza M, Alsuhaibani A, et al. Role of foundation models in data-driven tissue diagnostics. Molecular Aspects of Medicine. 2026. DOI: 10.1016/j.mam.2026.101504. PMID: 42759410.

Kuchana SK, Alahari NV, Kode R, et al. Artificial intelligence in oncology: linking biological discovery to clinical utility. Molecular Cancer. 2026. DOI: 10.1186/s12943-026-02771-x. PMID: 42823735.

Atiya S, Liang J, Ofori-Atta K, et al. Benchmarking Open-Source Pathology Foundation Models for Breast Cancer Biomarker Prediction from H&E Whole-Slide Images. Cancers. 2026. DOI: 10.3390/cancers18152475. PMID: 42588692.

Xiong Y, Xi W, Zhang G, et al. Artificial intelligence empowers full-stack histopathological diagnosis and prognosis of renal cell tumor: a multi-center study with external validation. BMC Medicine. 2026. DOI: 10.1186/s12916-026-05110-5. PMID: 42547870.

Shi L, Huang B, Hung ZYM, et al. Reagent-free multiple histological staining via generative AI for rapid pathology diagnosis. Human Pathology. 2026. DOI: 10.1016/j.humpath.2026.106269. PMID: 42754055.

Huang JL, Zhu JQ, Ni XG. Effectiveness, Safety, and Workflow Burden of Large Language Model-Based Medical Report Generation: Systematic Review. Journal of Medical Internet Research. 2026. DOI: 10.2196/97007. PMID: 42715525.

Bilal KH, Gibson J, Kim D, et al. Leveraging large language models to enhance cytopathology: Opportunities, challenges, and future directions. Cancer Cytopathology. 2026. DOI: 10.1002/cncy.70134. PMID: 42585107.

Jessen A, Blattgerste C, Legnar M, et al. Efficient finetuning of foundation model combined with few-shot learning improves pattern recognition in histopathology. Virchows Archiv. 2025. DOI: 10.1007/s00428-025-04351-8. PMID: 41307584.

免责声明

本文为科普内容，不构成任何医疗建议。文中所述病理人工智能系统均定位为医生的辅助工具，病理诊断的最终结论仍由具备资质的病理医师作出。具体检查与治疗请遵循医生指导。如果有问题，请以文献的表述为准。