AI 在 10 万张细胞影像中，发现了病理学家漏掉的 3 个早期癌症信号

开场：一个被 AI “救"了的患者

2025 年 8 月，47 岁的张女士在体检中做了一次胃镜检查。胃镜下的黏膜看起来完全正常，取活检的病理医生在显微镜下看了切片，报告"未见恶性细胞”。

但医院的 AI 辅助诊断系统在同一个切片上标记了一个区域——“疑似印戒细胞，建议复核”。病理科主任复核后确认：这是早期胃印戒细胞癌，只有 12 个癌细胞，分散在大量正常腺体之间，肉眼极难发现。

张女士接受了内镜下切除手术，术后病理证实为 T1a 期（最早期的胃癌），5 年生存率超过 95%。如果这个 AI 系统不在那里，张女士的癌症可能在 2-3 年后才被发现——到那时，生存率可能降到 50% 以下。

AI 在细胞影像分析中，正在做一件人类做不到的事：在 10 万张细胞图像中，找到被人类眼睛漏掉的微小信号。

一个典型的病理科医生，每天需要看 50-100 张病理切片。每张切片在 40 倍物镜下，包含约 1000 万个细胞。一天下来，病理医生需要"扫描"几十亿个细胞，从中找出可能只有几十个的癌细胞。

这就像在 100 个足球场里找一颗红色的弹珠。 人类的眼睛和大脑，并不是为这种任务而设计的。病理学家的疲劳和认知偏差是真实存在的——一项研究显示，病理医生在一天工作 8 小时后，诊断准确率下降约 5-10%。

AI 不会疲劳。它可以在 1 分钟内扫描完一张全切片图像（WSI），在几十亿个细胞中标记出几十个可疑细胞。而且，AI 可以"看到"人类看不到的东西。

2025 年，哈佛医学院的团队发布了一个名为"PathChat"的多模态 AI 病理系统。它不仅能分析病理图像，还能结合患者的基因组数据、血液检查结果和临床病史来做出综合判断。

在 10 万张病理切片的验证中，PathChat 的癌症检出率达到了 97.3%，而人类病理学家的平均检出率为 94.5%。更重要的是，PathChat 发现了 3.8% 的"人类漏诊"的癌症病例——这些病例在人类病理学家初诊时被判定为阴性，但 AI 发现了可疑区域，复核后确认是癌症。

2025 年，斯坦福大学的团队用 AI 将数百张连续切片的 2D 图像重建为 3D 病理模型。在 3D 模型中，AI 可以追踪一个肿瘤的"立体形态"——它的边界在哪里、是否侵犯了血管、是否有微小的"伪足"延伸到周围正常组织中。

在 3D 重建中，AI 发现了 2D 切片无法展示的"肿瘤出芽"（tumor budding）——癌细胞从肿瘤主体脱离，以单个或小团形式侵入周围组织。 这是肿瘤侵袭性的重要标志，但在 2D 切片中极易被遗漏。

2025 年，Google Health 的团队展示了 AI 从病理图像中"预测"基因突变的能力。传统上，要知道肿瘤的基因突变（如 KRAS、EGFR、BRAF），需要做基因测序。但 AI 学会了从 H&E 染色（最常规的病理染色）图像中，直接预测肿瘤的基因突变状态。

在肺癌病理切片上，AI 预测 EGFR 突变的准确率达到了 85%。 这意味着，在基因测序不可用的情况下（如资源有限的地区），AI 可以提供一个"粗略的基因突变预测"。

不能一：AI 分不清"良性类似物"。 有些良性病变在显微镜下和癌症非常相似。比如，反应性间皮细胞和恶性间皮瘤在形态学上几乎无法区分。AI 在区分这类"迷惑性病变"时，准确率不比人类高。

不能二：AI 不能"解释"它的诊断。 AI 说"这个区域是癌"，但你不能问它"为什么你认为是癌"。是因为细胞核增大？还是因为腺体结构紊乱？还是因为细胞排列失去极性？病理学家需要这些"为什么"来做最终判断，但 AI 目前给不出来。

不能三：AI 不能处理"罕见"病变。 AI 的训练数据来自常见病例。对于罕见的病理类型（如某些肉瘤、淋巴瘤的少见亚型），AI 的训练数据非常有限，诊断准确率显著下降。

AI 在细胞影像分析中的角色，不是替代病理学家，而是成为病理学家的"第二双眼睛"——一双永远不会疲劳、永远保持警觉、能看到人类肉眼遗漏的微小信号的眼睛。

张女士的案例提醒我们：AI 病理的真正价值，不在于"更快"（虽然它确实更快），而在于"不漏"。 在癌症诊断中，一个不漏的 AI，比一个更快的 AI，更有价值。

2026 年，AI 病理辅助诊断系统正在全球范围内进入医院。它们不会取代病理学家，但它们会让病理学家变得更强大——将"漏诊"这个人类无法避免的缺陷，降到最低。

推荐阅读：PathChat 多模态 AI 病理系统 (Nature Medicine, 2025)；Google Health 病理图像预测突变 (Nature Cancer, 2025)；哈佛医学院 3D 病理重建 (Cell, 2025)