基于HL7标准的开源计算病理学框架：实现深度学习模型与实验室信息系统的无缝整合

本研究针对计算病理学(CPath)临床转化难题，开发了首个基于HL7标准的开源集成框架，通过Python服务器架构连接解剖病理实验室信息系统(AP-LIS)与AI决策支持系统(AI-DSS)，成功部署16个预训练深度学习(DL)模型，并利用QuPath实现预测结果可视化。该研究为DL模型在病理诊断中的标准化应用提供了可推广方案。

　　

数字病理学(DP)的兴起将组织切片转化为高分辨率全切片图像(WSIs)，开启了癌症诊断的新纪元。尽管人工智能(AI)工具在肿瘤检测、分型和预后预测方面展现出巨大潜力，但过去十年发表的数百项研究中，真正投入临床应用的不足5%。三大瓶颈尤为突出：完全数字化工作流的缺失、缺乏与解剖病理实验室信息系统(AP-LIS)的集成方案，以及"黑箱"模型输出的可解释性难题。

意大利格拉维纳医院病理科联合德国埃尔朗根-纽伦堡大学等机构的研究团队，在《Genome Medicine》发表突破性研究。他们利用完全数字化的病理科基础设施，开发出基于HL7标准的开源框架，通过Python服务器-客户端架构连接AP-LIS与包含16个预训练DL模型的AI-DSS。创新性地采用WSInfer、WSInfer-MIL和marugoto工具箱实现模型部署，并利用QuPath生成测量图、色度图和密度图三种可视化方案。测试期间成功分析11,805张H&E染色切片，中位处理时间仅2.47分钟。

关键技术包括：1)基于HL7 v2.6标准的OML^O33/OUL^R21消息交换系统；2)WSInfer工具实现组织分割-分块-推理全流程；3)QuPath-paquo组合构建交互式热图；4)支持.mrxs/.svs多格式的自动偏移校正；5)默认模式(自动触发)与按需模式的双重部署策略。

主要研究结果
HL7框架实现DL模型无缝整合
通过TCP/IP协议建立AP-LIS与AI-DSS的MLLP连接，采用FIFO队列处理请求。当新切片数字化时，AP-LIS根据组织类型-染色组合自动选择模型并发送OML^O33消息，AI-DSS返回包含Base64编码结果的OUL^R21消息。测试显示系统日均处理75例请求，错误自动重试机制保障稳定性。

多模态可视化方案
针对不同任务设计三类热图：1)测量图展示二元分类(如肿瘤概率)的连续梯度；2)色度图用离散颜色区分多类组织(如结直肠腺癌的9种组分)；3)密度图通过点阵密度反映MIL模型的注意力分数。用户调查证实，80%病理学家认为热图交互"非常直观"。

双模式部署策略
默认模式通过预设对应表自动触发模型，如结肠活检自动调用"colorectal-tiatoolbox-resnet50.kather100k"模型；按需模式则允许手动选择"braf-attMIL-marugoto"等预测性模型。特别设计的虚拟载玻片托盘可同时显示多个模型结果，通过双击切换视图。

跨平台兼容性验证
框架成功适配3DHistech(.mrxs)和Leica(.svs)扫描仪数据，通过openslide库自动校正坐标偏移。AMD EPYC处理器与MI210 GPU组合实现18秒/例的推理速度，证明在常规硬件上的可行性。

这项研究标志着计算病理学向临床转化的重要突破。通过标准化接口与开源工具的创新组合，首次实现DL模型与医院信息系统的端到端整合。特别值得关注的是其"白箱"设计理念——不同于商业黑箱方案，该框架允许病理学家通过热图追溯模型决策依据。用户研究显示，该方案显著降低AI使用门槛，90%参与者认为能缩短诊断时间。

技术层面，研究团队创造性地将HL7标准应用于病理AI场景，为后续FHIR标准迁移预留接口。采用的WSInfer等工具支持TorchScript格式模型，确保各类研究模型的即插即用。未来可通过纳入病理基础模型(如UNI)进一步扩展功能。

伦理与法规方面，作者明确强调当前框架属研究用途，需通过IVD认证才能用于临床决策。这为AI在病理诊断中的合规应用树立标杆。随着欧盟《AI法案》的实施，此类开源透明框架可能成为监管鼓励的发展方向。

该研究的局限在于尚未进行前瞻性临床试验，且当前模型库偏重常见癌种。团队计划通过"HEAL ITALIA"等项目增加罕见病模型，并探索云计算部署方案。总体而言，这项工作为全球病理科数字化转型提供了可复制的技术蓝图，其开源特性尤其适合资源有限地区推广应用。