编辑推荐：
本文聚焦血液病理学中人工智能（AI）的应用。AI 能改善诊断准确性和效率，但在血液病理学领域进展落后于实体肿瘤分析。文章探讨其在淋巴结和骨髓病理学中的应用、未满足需求、面临挑战，展望未来发展，助力读者了解该领域前沿动态。
引言
人工智能（AI）能让机器模拟人类智能，执行视觉感知、语音识别等任务。机器学习（ML）是 AI 的一部分，算法可从数据中学习并预测，无需明确编程。深度学习（DL）作为 ML 的子集，借助深度神经网络在大型数据集中识别复杂模式，卷积神经网络（CNNs）尤其擅长分析视觉数据 。
在医学领域，AI 潜力巨大，特别是在基于图像的病理学中。数字病理学和全切片成像（WSI）的发展，使组织切片能高分辨率数字化，为 AI 算法提供多样本数据集。起初，AI 在病理学中用于可量化且对诊断预后影响大的任务，如今已能识别复杂模式，从监督学习发展到无监督学习，拓展了其能力。AI 在实体肿瘤分析中成果显著，如在乳腺癌、皮肤癌、结直肠癌和前列腺癌等疾病的诊断、分级和分子亚型预测方面发挥重要作用。然而，AI 在血液病理学中的应用相对较少且起步晚，这是因为血液肿瘤复杂且罕见，其分类系统依赖多种免疫组化标记和分子改变，并非单纯依靠形态学。本文将聚焦 AI 在血液病理学中淋巴结和骨髓病理学这两个关键领域的应用现状及未来发展。
AI 在淋巴结病理学中的应用
近年来，关于 AI 在淋巴结病理学应用的研究众多，但尚无 AI 驱动的工具获得商业批准。在淋巴瘤研究中，AI 主要聚焦于 B 细胞肿瘤，特别是滤泡性淋巴瘤（FL）和弥漫大 B 细胞淋巴瘤（DLBCL），这两种是临床常见的淋巴瘤。相关算法主要用于提升诊断分类、预后判断等能力。
AI 在骨髓病理学中的应用
骨髓病理学是 AI 探索的一个极具潜力但尚未充分开发的领域。骨髓评估主要用于以下三个方面：诊断髓系肿瘤（如骨髓增殖性肿瘤
、骨髓增生异常综合征和急性髓系白血病）；诊断浆细胞疾病，如浆细胞骨髓瘤；诊断或排除淋巴瘤的骨髓浸润。目前，AI 在骨髓病理学中的应用能辅助这些诊断工作，不过整体仍处于探索阶段。未满足需求和未来展望
AI 提供了有价值的定量方法，有望使病理学报告更规范、更一致。在骨髓和淋巴结病理学中，仍存在一些未满足的需求。例如在骨髓病理学中，AI 在利用 CD34 免疫组化（IHC）检测原始细胞和浆细胞方面有很大提升空间，这有助于更精准地诊断相关疾病，也为后续治疗方案的制定提供更可靠依据。
当前和未来挑战
在期待 AI 取得进一步进展之前，需要解决其应用过程中的实际问题。在病理学中应用 AI 的一个主要障碍是组织学样本中存在伪影。在复杂样本（如脱钙骨髓移植样本）中识别伪影是个难题，像褶皱、挤压、切片厚度变化、与骨小梁分离、气泡和免疫组化缺陷等伪影，会干扰 AI 算法的准确分析，影响诊断结果的可靠性。
结论
目前，AI 融入血液病理学尚处于早期阶段，主要应用于特定疾病相关的任务。未来，AI 有望将形态学分析与临床、实验室和分子数据相结合，其影响将从单个诊断任务扩展到更综合的转化系统，为患者的全面管理提供支持，推动血液病理学领域的变革 。
