# AI病理判读（计算病理学） 利用自监督视觉Transformer与注意力多实例学习对千兆像素全切片组织图像进行AI判读，定位肿瘤灶、进行癌分级（Gleason）并从形态预测分子生物标志物（MSI、PD-L1），将诊断时间从数天缩短至数分钟。 Source: https://cn.bioecon.ru/technology/ai-pathology-interpretation/ Updated: 2026-08-18 ## 概述和价值链 标记： [EC: FDA De Novo / Breakthrough Device pathway + EU CE-MDR + IMI BIGPICTURE repository | OECD: 生物技术与健康 | 监管机构：FDA（美国）、EMA（欧盟）、NMPA（中国）] 计算病理学将深度学习应用于染色组织的千兆像素全切片图像（WSI，最高 100,000 x 100,000像素），以自动化病理医生手工完成的显微镜判读。随着 全球病理医生在活检量激增下持续短缺，AI决策支持系统接管常规任务（分裂 象计数、淋巴结转移查找、前列腺癌Gleason分级），将诊断时间从数天压缩 至数分钟，标准化报告并以热图标记可疑病灶。第二前沿是直接从细胞形态 预测隐含分子遗传信息（微卫星不稳定MSI、BRAF、EGFR突变、PD-L1表达）， 免去昂贵测序。美国在FDA De Novo与Breakthrough Device通道下主导商业 化，欧盟在CE-MDR下建设300万张切片的IMI BIGPICTURE训练库，中国以 云病理规模化开展宫颈、食管与肺癌筛查。六家机构涵盖AI软件（Paige.AI、 PathAI、Owkin）、扫描仪与云工作流（Philips）及人群级筛查AI（腾讯医疗AI、 推想科技）。 AI病理判读的关键方向： 1. **癌症检测与分级：** CNN与视觉Transformer模型定位微转移灶并对肿瘤 分级（Gleason），与病理医生一致性达同级。 2. **预测性分子病理：** 仅由形态推断MSI、BRAF、EGFR、PD-L1状态， 免去额外测序。 3. **注意力多实例学习：** 仅以切片级诊断标签训练的整片分类，无需逐细胞 标注。 4. **数字病理工作流与远程病理：** 高通量扫描仪与云LIS集成将病例分发给 远程病理医生。 ### 行业价值链 ``` [载玻片] ──> [WSI扫描仪] ──> [切片与特征提取（ViT）] │ （attention-MIL聚合） │ ▼ [病理医生LIS签发] <─── [肿瘤热图与报告] ``` ### 价值链层级 | 层级 | 描述 | 关键输入/输出 | |:---|:---|:---| | **切片扫描** | 高通量扫描仪以0.25微米/像素数字化H&E染色切片 | **输入：** 染色切片、Aperio/IntelliSite扫描仪。**输出：** 千兆像素WSI文件（.svs）。 | | **预处理与切片化** | OTSU组织分割与512x512切片 | **输入：** WSI文件、GPU服务器。**输出：** 切片网格。 | | **特征提取** | 自监督视觉Transformer将每个切片映射为1024维向量 | **输入：** 切片、ViT权重。**输出：** 切片嵌入。 | | **attention-MIL聚合** | 注意力池化将切片嵌入合并为切片级特征 | **输入：** 嵌入、注意力头。**输出：** 切片级特征向量。 | | **热图与报告** | 类别概率与像素级肿瘤热图供病理医生 | **输入：** 切片特征、分类器。**输出：** 诊断与热图。 | | **病理医生核签** | 人在LIS中签发，AI结果同屏显示 | **输入：** AI报告、WSI浏览器、LIS。**输出：** 签发病理报告。 | 该行业的跨领域技术： - **whole-slide-imaging：** 千兆像素数字切片（x40下最高100,000 x 100,000像素），以0.25微米/像素扫描，便于核染色质复核。 - **attention-multiple-instance-learning：** 弱监督切片分类，仅由切片级标签通过对数千切片嵌入的注意力加权学习。 - **self-supervised-vit-encoders：** 对比自监督视觉Transformer，无需人工标注即生成可复用的1024维切片嵌入。 --- ## 美国 美国在FDA获批的AI病理领域领先，拥有首批De Novo获批与PathAI生物 标志物预测平台。 ### Paige.AI FDA首获批、PathAI免疫治疗模型、CAP/CLIA标准 - **Paige.AI（纽约，源自纪念斯隆-凯特琳癌症中心）：** 打造了首个获FDA批准的AI病理产品（Paige Prostate），并于2025年获FDA突破性器械认定的Paige PanCancer Detect，在单一AI优先数字病理平台上标记多种组织器官的可疑肿瘤灶。 - **PathAI（波士顿）：** 其多模态平台Path-IO（Pathology-driven Immunotherapy Optimization）整合病理组学、放射组学与临床数据预测非小细胞肺癌免疫治疗应答，PathAI Discovery支持PD-L1与基质TIL生物标志物的临床试验开发。 - **CAP/CLIA验证：** 美国病理学家学会为临床CAP/CLIA实验室制定算法验证标准，美国风险资本推动AI病理初创企业的整合。 --- ## 中国 中国在"健康中国"计划与超大规模AI筛查模型下推进人群级数字病理云端 部署。 ### 腾讯自动细胞学、推想肺结节AI、健康中国 - **腾讯医疗AI Lab：** 在《自然》（2026年1月）发表全自动AI切片检查系统，对整片玻片做多焦面扫描获取三维细胞信息并自动识别异常细胞，在4个中心、1,124例宫颈液基细胞学样本上验证，与人类医生高度一致；其觅影影像AI还筛查食管癌与肺癌。 - **推想科技（北京，成立于2016）：** 其InferRead AI执行亚毫米级肺结节检测（<5mm结节、磨玻璃成分与血管纠集特征），提供个体化恶性概率评分，沿筛查到随访的患者路径部署于中国医院。 - **健康中国：** 国家计划将区域医院接入北京、上海的集中化AI病理服务器，中国厂商在超快机器人切片扫描仪方面领先。 --- ## 欧盟 欧盟将严格的GDPR与CE-MDR监管与全球最大的标注WSI库及领先的扫描仪与 云工作流厂商相结合。 ### Philips IntelliSite云、Owkin联邦学习、BIGPICTURE - **皇家飞利浦（荷兰，NYSE: PHG）：** 2026年3月以云端能力扩展数字病理组合——Philips IntelliSite Pathology Solution on HealthSuite（由AWS驱动），将高通量扫描仪与LIS集成，服务西欧医院病理科。 - **Owkin（法国）：** 联邦学习AI公司，在《自然-医学》报告中在不共享患者切片的前提下于多医院组织病理数据上训练深度学习模型，并发展可泛化病理、空间转录组学与面向研究者的智能体AI副驾。 - **BIGPICTURE（IMI）：** 创新药物倡议联合体汇集最大规模的标注数字切片库（超300万张WSI），在GDPR与CE-MDR下训练欧洲AI模型。 --- ## 领先公司和研究机构 | 公司 / 机构 | 国家 | 关键产品 / 平台 | 技术特点 | Status 2026 | |:---|:---|:---|:---|:---| | **Paige.AI** | 🇺🇸 美国 | *Paige Prostate / PanCancer Detect* | 首个FDA获批AI病理，突破性器械 | commercial | | **PathAI** | 🇺🇸 美国 | *Path-IO / PathAI Discovery* | 免疫治疗应答+PD-L1预测 | commercial | | **Royal Philips** | 🇳🇱 荷兰 | *IntelliSite Pathology (HealthSuite/AWS)* | 云端数字病理扫描仪 | commercial | | **Owkin** | 🇫🇷 法国 | *联邦学习病理* | 多医院组织病理AI（《自然-医学》） | commercial | | **腾讯医疗AI Lab** | 🇨🇳 中国 | *自动细胞学筛查* | 《自然》2026，1,124例宫颈样本 | commercial | | **推想科技 Infervision** | 🇨🇳 中国 | *InferRead 肺结节AI* | <5mm结节，恶性评分 | commercial | --- ## 技术栈和创新 该技术栈结合高分辨率数字病理、自监督深度学习与弱监督整片分类。 1. **全切片成像与预处理：** - H&E染色活检切片在Leica Aperio GT 450或Philips IntelliSite上以x40物镜（0.25微米/像素）扫描，生成1-3GB的.svs文件；OTSU阈值将组织与背景分割，再将组织切成512x512切片供GPU处理。 2. **自监督视觉Transformer编码：** - 在数百万无标注切片上预训练的对比自监督视觉Transformer（ViT）将每个512x512切片映射为1024维嵌入，捕获核染色质纹理，无需人工标注。 3. **attention-MIL聚合与热图：** - 注意力池化头对每个切片嵌入加权，形成切片级向量，由分类器输出肿瘤概率与分子生物标志物预测，并将像素级热图叠加于切片，供病理医生在QuPath或Aperio ImageScope中复核。 --- ## 价值链和生产管线 ### AI WSI判读工业管线（CAP/CLIA + CE-MDR合规） ``` ┌───────────────────────────┐ ┌───────────────────────────┐ │ 1. WSI扫描 │ ───> │ 2. 组织分割 │ │ (Aperio GT 450, x40) │ │ 与512x512切片化 │ └───────────────────────────┘ └───────────────────────────┘ │ ▼ ┌───────────────────────────┐ ┌───────────────────────────┐ │ 4. attention-MIL │ <─── │ 3. ViT特征提取 │ │ 聚合 │ │ （1024维嵌入） │ └───────────────────────────┘ └───────────────────────────┘ │ ▼ ┌───────────────────────────┐ ┌───────────────────────────┐ │ 5. 肿瘤热图与 │ ───> │ 6. 病理医生LIS签发 │ │ 标志物预测 │ │ │ └───────────────────────────┘ └───────────────────────────┘ ``` #### 阶段 1：全切片成像 H&E染色切片在Leica Aperio GT 450或Philips IntelliSite扫描仪上以x40物镜（0.25微米/像素）扫描，生成保留核染色质细节的1-3GB千兆像素.svs文件。 #### 阶段 2：组织分割与切片化 OTSU阈值剥离白色背景与玻片边缘，分离组织，再按GPU显存尺寸切成512x512像素切片网格。 #### 阶段 3：自监督特征提取 每个切片通过对比自监督视觉Transformer编码器，输出1024维形态嵌入向量；该编码器可跨癌种复用而无需重新训练。 #### 阶段 4：attention-MIL聚合 注意力池化头为每个切片嵌入计算重要性权重，合并为单一切片级特征向量，实现仅凭切片级诊断标签的弱监督分类。 #### 阶段 5：肿瘤热图与生物标志物预测 切片向量上的分类器输出肿瘤概率、Gleason分级及预测的MSI/BRAF/EGFR/PD-L1状态，并生成可疑病灶的像素级热图叠加于原切片。 #### 阶段 6：病理医生LIS签发 病理医生在查看器（QuPath、Aperio ImageScope）中打开带AI热图的WSI，确认或修正发现，在实验室信息系统中签发最终报告，AI输出同屏呈现。