编辑推荐：
本文围绕人工智能（AI）在组织病理学中的应用展开。阐述了传统病理评估的局限，介绍 AI 助力组织病理学发展的多方面机遇，如改进已知生物标志物量化、发现新生物标志物等，也探讨了面临的挑战，强调跨学科合作的重要性。
引言
在 20 世纪的大部分时间里，病理评估主要依赖手动显微镜检查和对形态学特征的主观解读。免疫组织化学（IHC）和分子遗传学的引入推动了个性化诊断的发展，但仍面临诸多挑战。例如，训练有素的病理学家短缺，2018 年皇家病理学家学院普查显示，英国国家医疗服务体系（NHS）中仅有 3% 的病理科人员充足；形态学特征解读存在主观性和可变性，导致诊断和分期不一致；而且人工评估容易忽略细微或难以察觉的组织模式，尤其是在大规模评估时。尽管技术和工作流程有所进步，临床诊断仍高度依赖病理学家对组织切片的目视检查。这些现状为人工智能（AI）这种数据驱动的新策略的应用提供了契机，AI 能够捕捉和解读更为复杂的组织模式。
三个领域的进展推动了计算病理学研究的蓬勃发展。20 世纪 90 年代全切片成像（WSI）扫描仪的问世，使得对组织病理学样本进行计算机评估成为可能；2010 年代初以来，计算机视觉算法取得巨大进步，提供了一系列可供应用的 AI 框架；近年来，计算硬件的发展，特别是图形处理单元（GPU）的出现，为训练这些算法提供了所需的计算能力。众多研究表明，各种基于 AI 的方法在病理学相关任务中具有适用性。
病理学中 AI 模型开发的框架
AI 领域发展迅速。对于考虑将 AI 融入研究或临床实践的病理学家来说，从数据标签的角度看待这一领域可能最为直观。在 AI 中，标签是模型试图预测的内容。对于一些模型，标签可能是通过手动标注切片区域生成的像素级标签；而对于其他模型，标签可能是切片级标签，比如样本的癌症亚型。
克服局限：改进已有的生物标志物
生物标志物长期以来在临床实践中指导诊断和治疗决策。到目前为止，手动评估的形态学生物标志物无疑发挥了重要作用，如在诊断血液系统恶性肿瘤时的细胞构成、细胞核形状、纤维化分级，以及乳腺癌中的诺丁汉评分。然而，显微镜下手动量化形态学特征存在局限性。
更进一步：利用 AI 识别新的生物标志物
除了对已知标志物进行量化，基于 AI 的方法还为发现全新的生物标志物开辟了道路，这些生物标志物通过传统组织病理学方法可能难以察觉。在病理学中，传统的生物标志物发现遵循假设驱动的方法，依赖病理学家和研究人员确定感兴趣的形态学或分子特征（如特定的细胞形状、纤维化模式或已知的致癌突变），然后进行测试和验证以确定其作为生物标志物的效用。
理解队列异质性：AI 支持的样本比较
AI 最强大的功能之一是能够分析整个患者队列中的大量数字化样本，并进行系统比较。这种分析可以使用不同的 AI 模型并行进行，每个模型针对样本的不同特征进行表征，就像提供了一套 “透镜”，帮助人们从不同角度理解样本。通过并行评估和可视化大量切片，AI 驱动的系统能够检测到群体层面的细微模式，而这些模式可能被传统方法忽略。
基于 AI 的模型开发面临的主要挑战
尽管 AI 在骨髓病理学中的应用能力迅速扩展，但仍有几个关键障碍限制了其在临床中的广泛应用。这些挑战主要分为两类：模型开发和现实世界中的模型部署。第一类包括数据和 AI 模型开发问题，第二类包括验证、交付以及确保广泛采用方面的挑战。
跨学科团队的力量；提出正确的问题
AI 算法开发和应用所面临的挑战具有多学科性且相互关联。机器学习和数据工程师、病理学家、临床医生以及监管专家之间的密切合作，有助于就关键问题展开公开讨论。这些问题对于该领域的专家来说可能很简单，但对于领域外的人来说却晦涩难懂。例如，在患者就医过程中的哪些环节使用 AI 工具最有益？是否存在能够实现特定任务自动化的 AI 方法？跨学科合作对于充分发挥 AI 驱动的病理学工具的潜力至关重要。
