深度解析医学证据，lxfs.net为你支撑决策 编者按 AI进入病理科，早已不是“能不能”的问题，而是“怎么用、谁来负责”的问题。从切片质量控制到智能分片，从管理节点抓取到风险提示，AI在病理科的角色正从辅助向全流程管理延伸。但无论技术如何演进，一个底线始终清晰：谁承担法律责任，谁就是主导者。在未来至少十年内，病理医生仍将是AI建议的最终把关人。 在2026年中国抗癌协会肿瘤基因诊断学术大会上，【医悦汇】对话大咖栏目邀请到浙江大学医学院附属第二医院邹泓教授，围绕AI在病理科中的定位与责任归属、AI ready前的数字化病理科建设、多重荧光与AI辅助诊断的实践等问题展开深入探讨。 医悦汇：您认为，在真实工作场景中，AI给出的建议最后应该由谁来负责把关？ 邹泓教授：首先应明确，到目前为止以及在未来，我相信谁是具有法律责任的承担者身份，谁就是主导者。目前来说，AI在病理中的应用仍然由病理医生主导，我们更倡导的是人机协作。AI帮我们解决一些比较复杂、重复性很高的问题，然后由病理医生进行判读、进行签发。 因此，我想在未来至少10年之内，仍然会由医生来主导、承担责任。医生应认识到，AI是一个工具，如何用好AI是需要学习的知识，也是责任和义务。 医悦汇：对于病理科医生来说，AI处于什么样的地位？ 邹泓教授：AI让我们病理科医生非常兴奋，但也有一些病理医生有一点恐惧，他们的恐惧在于：是不是我以后会被取代了？有很多科学家看到病理医生会说，以后我们就不需要病理医生了，有AI就够了。那是不是真实如此呢？ 最近刚发表在《新英格兰医学杂志》上的一篇文章，其标题是“Why AI pathology is difficult to use”，即为什么AI在临床病理这么难应用。其中提到了一些重要问题：AI所需要的基础，即病理科的基础设施建设，即使在美国也远远没有达到完成。在中国，我们敢说我们的数字病理进度和流程已经是全世界领先的，绝对不输于美国。为什么AI应用这么困难？首先，AI想要大规模用于临床，病理科必须提供一个临床应用级的全数字化病理科。这个数字化病理科不是简单的几台扫描仪、几台存储就能拼凑出来的，必须把全工作流打通，包括从取材到制片到扫描，到扫描之后的切片质量，到医生是否调用数字切片阅片，还是医生看完切片后再进行扫描，这些全工作流都要打通。因此，在AI真实应用之前，有一个“AI ready前的全数字化临床应用级病理科建设”阶段，这是一个非常庞大的工程。 非常高兴的是，今年我们国家出台了非常好的政策，已经给数字病理在收费上有了一定的体现。我想在未来几年，中国的病理科将进入钻石级的发展阶段，会推动病理科进行大规模的数字病理基础设施建设，这就是AI ready前的应用。 在AI进入病理科之后，其应用其实也不是大家想象的简单的诊断层面。在我们病理科，我们是怎么用AI的呢？我们用AI来帮我们进行切片的质量控制，让AI来帮我们进行切片的智能分片，帮我们进入管理。现在，我们正在做的是数字化病理科之后如何进行智慧化管理、AI ready的管理。所以，AI的一个重要工作可能是帮我抓取工作流中的各个节点，发现科室中可能出现的质量风险，发现问题、解决问题，而且提示风险。所以AI可能未来会成为病理科管理的重要帮助和抓手。 第三层才是AI在诊断。像我们科里的应用，现在是分层应用。我们有相对比较成熟的宫颈脱落细胞学库，帮助病理医生进行宫颈脱落细胞学的初筛工作，当然报告的责任主体在医生那里，它是用来做辅助的，这是相对比较成熟的。我们也在做临床研究应用型的胃肠镜AI应用。此外，我们也在跟其他医院合作，做基于HE切片的分子预测，进入工作流流程。其实我们的AI应用是在分层应用，我们觉得成熟度不同、研究度不同，这也验证了AI在病理科的应用正逐渐由研发开始进入成熟，成熟一个用一个，而且一定要做好科室医生的培训，做到人机协同，提高效率，最终服务于患者、服务于临床。 第四，AI的应用还在于病理科有非常好的、广泛的样本资源，非常珍贵。如何把这些优质的样本资源从“金矿”提炼为“黄金”，这是国家在倡导的，包括像我们医院王建安院士一直在倡导的AI ready前的高质量数据集建设。我们科里准备申报16项，现在已经有五六项已经进入到正式的数字资产申报阶段。未来这些高质量的数据集拿来之后能够为AI所用，是病理科学会从“金矿”凝练出能够为大规模医学应用服务的“黄金”的重要过程。 所以我想，AI在病理上面，首先要完成AI ready前的临床应用级数字化病理科建设；其次是AI可以辅助你进行管理和质控；第三是AI在诊断上分层应用；第四是AI ready的高质量数据集建设。这是我觉得我们为拥抱AI时代所做的所有工作和努力。 医悦汇：请问多重免疫荧光技术、AI的辅助诊断在浙江大学医学院附属第二医院是否已经实施？ 邹泓教授：多重免疫荧光是我们觉得未来病理科又一个临床应用加研究的蓝海。今年非常高兴的是，国家已经出了相应的收费项目，有了这个收费项目之后，临床应用就会进一步拓展。我们也在等着这个收费以及新技术、新项目的申报之后，会在不同的场景上对它进行应用。 第一种应用是，比如我们会在某些伴随诊断联合AI来进行测评，我们已经做了一些比较好的预试验，结果发现AI辅助判读相对于人的判读、人机结合，效率更高。 第二种，对于我们非常珍贵的样本，多重荧光可能有更好的应用。比如肺癌的穿刺、淋巴瘤的穿刺样本非常珍贵，我就可以实现在一张切片上多种直接免疫组化的染色，这是非常好的应用。但这里面还有一个问题，因为我们在多重荧光应用的时候，要解决两个方向：一个是定性，我只要大致看这个多重荧光染色的阳性和阴性，判断病变性质就可以；还有一个是我要通过多重荧光去计算，比如浸润免疫细胞的数量以及空间分布。这个时候，AI的应用就更加有必要。我们也在联合浙大、上海的一些企业，在做这方面的具体应用级AI研发。 医悦汇：作为浙江省病理质控中心专业委员会委员，您如何看待当前分子病理检测标准化的整体进展？从“能做检测”到“结果互认”，最大的瓶颈在哪里？ 邹泓教授：我们浙江省已经在推分子病理的结果互认。在推结果互认之前，我们在省内质控中心讨论过，能够互认结果，前提是你能够“进入”。也就是说，你的实验室专业资质一定要通过国家认证；第二，要定期做实验室内的质控；第三，要定期参加实验室之间的质控，比如像国家、省级的质控，拿到相应的合格证。当具有这样的能力之后，你的结果我们就是认可的。 医悦汇：在实际临床中，如何在“快速出结果”与“全面覆盖靶点”之间做出平衡？您所在的病理科在分子检测方法学的选择和组合方面有哪些实践经验？ 邹泓教授：我想用甲状腺癌作为一个示例。我们最终的选择都是基于临床和患者是否能受益。在浙江大学医学院附属第二医院，如果在甲状腺上发现一个肿物，我们会做甲状腺肿物的细针穿刺。细针穿刺的样本对病人的损伤比较少，首先会形成一个细胞学的诊断。对于细胞学可疑的病变，我们会去做分子检测。目前我们做的是多基因的PCR联检，其优势就在于快，今天穿刺标本，第二天或者第三天就能出结果。我们出结果的时候就会告诉临床医生，这个病变的分子风险分级，是低风险、中风险还是高风险。如果是高风险，患者一定要做手术，而不能做消融。临床医生在做手术切除的时候，就会结合影像学，可能做比较大范围的清扫。 此前临床有一个病例，一位18岁的女性患者，就诊时淋巴结已经出现了转移，而且肿块很大，压迫气管，即使以外科非常高水平的医生的能力，也觉得手术很困难。但是病理科在术前的PCR就帮她抓住了一个RET融合基因，患者使用针对RET融合基因的靶向药物，肿块迅速缩小之后再做手术，难度全面下降。对于此类情形，我们觉得对术前来说，PCR技术就是非常有优势的选择，因为它快，能迅速帮医生判定手术方式。 但还有一部分患者又是另外的情况。仍以甲状腺为例，在术后，我们当时就已经监测到患者有淋巴结的转移，而且术后免疫组化提示是有高风险，比如P53突变等情况。临床就会让这些病人直接做NGS检测。NGS检测的优势就在于检测范围广、基因深度低，能抓到很多未知的突变。该选择对临床、对患者的意义，以及选择后续靶向治疗的意义更大。还有一部分患者术后出现耐药和复发了，在不着急的情况下，我们也推荐尽量用NGS检测。 所以不同的分子检测方法应对不同的临床场景，最终还是从经济学、从时间效率上更好地让患者和临床受益。 医悦汇：从您的实践来看，人工智能和数字化技术能否为分子病理检测标准化提供新的解决方案？ 邹泓教授：分子病理是我们病理科含金量更高的一个项目。分子病理的难度，我们认为不是在测，最大难度是在解读。我想AI进来之后，能够帮助做几件事情。 第一条就是质控，AI可以把各个检测数据、关键节点的数据抓取出来，看是否有漏洞。我们觉得AI用在管理和质控上面是可以给我们帮助的。 第二个非常重要的，就是数据的解读。因为分子病理的数据，其参考依据会不断地升级更新。据我所知，我们很多的AI已经具有了搜索科研引擎的功能，用AI来搜索、整理最新数据，我觉得这是非常有帮助的。 还有一点，浙江大学和华大基因合作开发了一个分子AI大模型。我在跟他们讨论的时候，也非常期待他们能把这个分子AI大模型轻量化用于真实世界的临床。因为在分子解读的时候，除了常见突变，还有罕见突变；还有同样的常见突变，但在不同的临床分期和不同的分子分型中，其临床用药和意义都是不一样的。这时候对于初学者容易混淆。我希望AI把这些已经确定的规则帮我们去做解读和培训、质控；对一些未知的罕见突变，也能帮我们做进化树的推断及其他分析。 在数字病理的应用方面，由于我们医院是全数字化的多院区病理科，最大的方便和好处就是，当病理医生开出一个分子检测报告，我们可以直接在数字切片上标注好哪些区域是肿瘤区域，然后分子病理的技术老师就会根据数字切片直接进行精准的肿瘤定向细胞提取。这减少了院区之间传送和运输的时间成本，大大提高了效率。而且有一个非常热的方向，就是基于HE图像的分子预测，这个是一定需要AI加持的。 所以我觉得AI时代未来无所不能，很多小时候的梦想都会实现，我非常期待未来的发展。 写在后面 AI在病理科的角色，正在从工具走向体系，从辅助走向管理。从数字病理的基础设施建设，到分子病理的标准化互认，再到AI辅助的精准解读，病理科正在经历一场从“金矿”到“黄金”的提炼过程。而AI时代的到来，或许正是让那些曾经的梦想逐一实现的时刻。