法医数字组织病理学数据集：可信人工智能部署的科学基础设施

《Forensic Science, Medicine and Pathology》：Forensic digital histopathology datasets as infrastructure for trustworthy artificial intelligence deployment

　　

摘要专业翻译 数字病理学通过实现全切片成像（whole-slide imaging, WSI）、远程阅片、可重复标注、图像分析以及基于人工智能（artificial intelligence, AI）的决策支持工具的开发，已彻底改变了解剖病理学。然而，在法医病理学领域，从玻璃切片向数字法医组织病理学的转变仍处于早期阶段，尽管近期证据支持全切片成像在法医学实践中的可行性和诊断可靠性。后续的关键步骤不仅涉及法医切片的数字化，还包括开发经过整理的、多中心（multicentric）的、受法律约束的、受控访问的法医组织病理学图像数据集。此类数据集对于教育、观察者间一致性协调（interobserver harmonization）、外部质量评估以及开发适用于法医应用的可重复定量工具至关重要。本观点性论文主张，法医病理学应将数据集视为科学基础设施（scientific infrastructure），而非被动的图像集合。一个具备人工智能就绪性（AI-ready）的法医组织病理学数据集应包含全切片图像、标准化标注、技术采集参数、组织学处理信息、法医元数据、质量控制记录、参考标准（reference standards）、不确定性标签以及明确的治理规则。尽管可以从解剖病理学数据集中汲取重要经验，但法医病理学面临特定挑战，包括病例数量少、死后人工产物（post-mortem artifacts）、采样异质性、固定与保存条件多变、司法与隐私问题，以及各国对死后数据监管的差异。因此，研究人员提出一个基于文献信息的法医组织病理学数据集开发概念框架，面向法医病理学家、研究人员、机构利益相关方及AI工具开发者。该框架旨在支持教育、研究及AI开发与验证所需共享资源的建设，从而为法医病理学中可信且科学上可辩护的计算应用奠定基础。

论文解读

研究背景与问题提出

组织病理学检查在法医病理学评估中始终占据核心地位，显微镜检查可支持或明确死亡原因、记录损伤或疾病、区分生前改变与死后变化，并在有争议的法医学环境中提供证据。传统上，这一实践依赖于光学显微镜下的玻璃切片检查、专家视觉判读和书面报告。近二十年来，解剖病理学经历了深刻的数字化转型，全切片成像平台能够生成高分辨率数字切片，支持归档、远程阅片、会诊共享、标注及计算分析。数字法医组织病理学（digital forensic histopathology）的首要目标相对直接，即在数字环境中再现显微镜的诊断功能。近期验证研究表明，在遵循适当验证程序的前提下，全切片成像在法医组织病理学中可达到与光学显微镜相当的诊断性能。

然而，法医病理学尚未达到与临床病理学相同的发展阶段。近期一项关于法医学中数字病理学的系统综述得出结论，数字病理学在技术上已可用于法医学工作流程，但相较于临床环境仍未被充分利用，并强调需要验证、可审计性、证据保管链（chain of custody）、染色与色彩治理以及外部稳健性测试。法医AI模型不仅须在开发队列中表现良好，还必须透明、可重复且科学上可辩护，因为其输出可能影响司法决策。法医病理学中AI开发所依赖的数据集面临特殊挑战：单一机构、单一染色方案和单一扫描仪训练的模型无法假定可推广至其他司法管辖区或实验室的案例工作。法医实践还包含手术病理学中不太显著的分析前变异性，如死后间隔、腐败、复苏人工产物、采样策略、固定延迟及尸检材料的异质性。因此，外部验证不仅是技术要求，更是科学可信度和证据可辩护性的先决条件。开展这项研究的原因在于，法医组织病理学要实现从简单图像数字化向可复用科学基础设施的转变，必须建立结构化的多中心数据集框架。

研究内容与核心结论

研究人员通过针对性叙述性文献综述，综合计算机科学、病理学和法医病理学等多学科专业知识，提出了一个基于文献信息的法医组织病理学数据集开发概念框架。该框架的核心主张是：法医病理学应将数据集视为科学基础设施而非被动的图像集合。一个具备人工智能就绪性的法医组织病理学数据集应包含全切片图像、标准化标注、技术采集参数、组织学处理信息、法医元数据、质量控制记录、参考标准、不确定性标签以及明确的治理规则。研究人员进一步区分了核心（Core）、推荐（Recommended）和任务特定（Task-specific）三个层级的数据集要素，并强调数据集结构应采用分层设计，技术性图像元数据可在较广泛的受控条件下共享，而法医关联信息则应保持受限访问。

研究的重要意义在于，该框架为法医病理学界提供了从图像数字化迈向可复用科学基础设施的路径指引，支持教育、标准化、质量保证、研究及计算工具开发。该框架还强调了数据集目的应在采集、标注或共享开始前明确定义，因为用于教育的数据集不一定适合算法验证，而反复用于模型开发的数据集不再能作为独立的外部测试集。

关键技术与方法

研究人员采用的主要方法包括：第一，针对数字病理学、AI验证和数据治理领域的文献进行定向叙述性综述，定性选取具有潜在可转移性的病理学数据集范例，如CAMELYON数据集（包含来自五个荷兰医疗中心的1,399张乳腺癌前哨淋巴结H&E染色全切片图像）；第二，提出分层数据集结构模型，区分核心、推荐和任务特定要素；第三，系统梳理监督学习、弱监督学习（含多实例学习）、半监督学习、自监督学习及联邦学习（federated learning）等学习范式在法医组织病理学中的适用性；第四，参考多个公开可访问的病理学数据集（如CAMELYON等）作为概念模型，分析其可转移的方法学原则。

研究结果

法医组织病理学数据集的重要性。 研究人员通过分析深度学习模型对数据规模、质量、多样性和标注结构的要求，指出法医组织病理学AI开发应基于多中心、技术文档完善、由法医病理学专家标注并经外部验证的数据集。研究强调，训练、验证和测试数据集之间的区分至关重要，测试数据集必须代表目标图像人群、与开发数据充分独立、覆盖相关亚组并避免可能导致捷径学习的混杂因素。由于法医组织病理学数据具有内在层级结构，同一死者贡献的多个器官、组织块、连续切片及不同染色应被分配到同一数据分区，避免数据泄漏。

法医组织病理学数据集的基本组成。 研究人员通过分析数据集应包含的要素，提出了AI就绪的法医组织病理学数据集最低结构，包括全切片图像文件、技术采集参数、组织学处理细节、诊断标签、标注文件、参考标准和访问条件说明。数据集结构应采用分层设计，并应保留从物理标本到每个数字衍生物的来源追溯（provenance），包括扫描仪、软件和固件版本、后续转换或重扫描记录，以及持久标识符、版本控制、完整性控制（如加密哈希）和访问修改日志。

从解剖病理学数据集转移经验。 研究人员通过分析CAMELYON等公开病理学数据集，指出其价值不仅在于切片数量，还在于挑战框架、标准化训练和测试集、指定指标、多中心变异性和受控公开可用性。同时，一项范围综述识别了17个公开可访问的乳腺H&E全切片图像数据集（共10,385张全切片图像），并指出元数据报告不一致、选择偏倚、外部验证有限及对少数热门数据集的过度依赖等局限性。研究人员强调，法医病理学不应机械复制外科病理学数据集，但多中心性、文档化、标准化标注和透明治理等方法学原则是可转移的。

数据需求与学习方法。 研究人员通过分析不同学习范式的特点，指出所需样本量取决于具体任务、目标发现的流行率、形态变异性和标注质量。完全监督学习适用于脂肪栓塞定量、硅藻识别、冠状动脉管腔和斑块分割及炎症浸润测量等任务，但专家标注成本在法医病理学中尤为沉重。弱监督学习可利用切片级或病例级标签减少标注负担，但增加模型学习混杂因素的风险。半监督学习和自监督学习可能特别适合法医病理学，因为历史切片存在于机构档案中但专家标注稀缺。联邦学习作为分布式训练架构，在法医病理学中可能尤为重要，因为法律、伦理或治理约束限制了全切片图像数据的转移或集中汇集。研究人员提出，法医病理学的现实策略应采用混合框架，利用病例记录衍生的弱标签和更广泛档案的自监督预训练，同时将专家标注集中在选定区域，并严格保护外部测试集。

法医组织病理学数据集的应用。 研究人员通过梳理教育、标准化、定量病理学和AI工具开发四个应用领域，指出构建良好的数据集可作为标准化培训的关键基础设施，支持远程病例会议、数字切片研讨会和跨机构教学。共享数据集还可作为改善诊断标准化的基础，特别是在心肌炎评估或溺亡相关肺部发现等依赖阈值的解释性领域。在定量病理学方面，计算方法有望提供管腔面积、斑块负荷和狭窄百分比的可重复测量。现有AI研究包括基于卷积神经网络的溺亡硅藻自动检测、基于常规H&E染色的肺脂肪栓塞计算病理学定量、创伤性脑损伤后生存时间估计的QuPath细胞分类器及免疫组织化学定量分析，以及基于深度学习的法医尸检冠状动脉狭窄自动评估。

死后数据的法律与伦理考量。 研究人员通过分析欧盟、意大利、法国、西班牙、英国和美国的法律框架，指出死后组织病理学数据不应仅因数据主体已死亡而被视为伦理中立或无主。欧盟《通用数据保护条例》（GDPR）明确排除死者个人数据，导致多中心法医数据集的法律碎片化。美国《共同规则》将人类受试者定义为活着的个体，但HIPAA在死亡后50年内保护死者的个人可识别健康信息。研究人员强调，真正的组织学图像匿名化是困难的，过度匿名化可能剥离必要的法医背景而降低科学价值，因此应通过分层访问和治理来平衡效用与保密性。

讨论总结与研究结论

研究人员指出，创建共享法医组织病理学数据集的核心挑战不仅是技术性的，更是制度性和文化性的。数字数据集不应再被视为单个实验室档案的延伸，而应被视为共享的科学基础设施。然而，这一转变面临实质性障碍：数字病理学基础设施需要全切片扫描仪、高容量存储、网络基础设施、计算资源、软件集成、数据安全和长期保存方面的投资，这些要求对病例量或资源有限的法医机构可能尤为严峻。多中心倡议增加了额外复杂性，因为组织处理、扫描平台、元数据约定和标注实践的差异可能降低互操作性并引入系统性技术变异性。稳健验证应被视为生命周期过程而非开发结束时的单一评估，开发期间内部验证应与模型选择明确分离，后续评估应跨独立病例和机构、不同地理环境及相关技术变异源进行。标注过程应优先考虑具有最大科学和实践价值的信息，包括代表性病例的共识标签、诊断相关发现的感兴趣区域详细标注以及边界或模糊区域的明确不确定性标签，同时确保完整的来源追溯。研究人员最终得出结论：法医病理学应将数据集视为科学基础设施而非被动的图像集合，通过多中心、技术文档完善、法律约束和受控访问的数据集建设，支持教育、标准化、质量保证、研究及计算工具开发，从而为法医病理学中可信且科学上可辩护的计算应用奠定基础。