AI病理技术在多癌症类型中的应用

一、AI病理技术概述

AI病理技术是人工智能与病理学的深度融合，通过计算机算法对病理图像进行分析和处理。在癌症诊断中，传统的病理诊断依赖病理医生的经验和肉眼观察，不仅效率低，而且容易受到主观因素的影响。而AI病理技术能够快速、准确地分析大量病理图像，为癌症的诊断和治疗提供有力支持。

全球范围内，病理医生严重短缺，发展中国家和资源匮乏地区的供需矛盾尤为突出。人工智能的出现为自动化病理诊断带来了新的可能。然而，目前AI病理技术也面临一些挑战，比如训练需海量标注数据，且缺乏通用性。即便现有病理基础模型实现了泛癌症特征提取，其落地应用仍需大量微调训练和专家资源，难以在资源匮乏地区推广。

二、SMMILe模型在多癌症类型中的应用

2025年11月，西安交通大学李辰教授、龚铁梁副教授联合英国剑桥大学的研究人员开发了全球首个可实现大规模肿瘤筛查及细粒度量化诊断的AI病理模型——SMMILe。该模型能够在仅使用简化“病人级诊断标签”的情况下，实现对全玻片病灶进行精确空间量化，打破了传统弱监督算法“重分类、轻定位”的局限。在无需昂贵人工标注的条件下，它能像绘制地图一样，自动推断出肿瘤在组织中的具体位置、边界范围及不同亚型的空间分布。

研究团队在6种癌症类型，包括乳腺癌、肺癌、卵巢癌、肾癌、胃癌和前列腺癌，以及8个包含3850张全切片图像的数据集上对SMMILe进行了评估。在所有情况下，SMMILe的全切片图像分类性能均达到或超过了最先进水平，同时在空间量化方面也表现出色，尤其在多标签等复杂任务中表现突出。传统的人工分析一张复杂的组织切片可能需要20分钟，而SMMILe仅需约1分钟即可生成详尽的量化报告，大大提高了病理分析的效率。

三、PanCAM模型在多癌症类型中的应用

赛维森研发的PanCAM模型意义重大。该模型的研究规模宏大，纳入了9,256例患者、69,502张全切片图像、153,985枚淋巴结样本，覆盖了乳腺癌、肺癌、结直肠癌等9种常见癌种及24种罕见癌种，总计33种癌症类型。

在前瞻性验证中，模型的敏感性达到0.93至1.00，意味着它能以极高的灵敏度识别出癌转移病灶。回顾性研究显示，PanCAM额外检出4.0%被病理医生遗漏的淋巴结转移患者。这一成果从侧面反映出该模型在癌症诊断中的高准确性和重要补充作用，表明其在繁忙病理科室大规模推广具有一定的可行性。

此外，赛维森在产品注册和商业化方面也取得了不错的进展。2025年2月，公司获批全国首张“宫颈细胞数字病理图像辅助诊断软件”三类医疗器械注册证，填补了宫颈细胞学领域AI辅助诊断的空白。其AI病理产品已落地海内外上百家医疗机构，涵盖三甲医院及基层医院，并且还拓展了港澳、欧洲和新兴市场，形成了较好的市场布局。

四、SmartPath系统在多癌症类型中的应用

2025年10月，香港科技大学宣布成功研发创新人工智能系统SmartPath。该系统可辅助专业医疗人员执行逾百项临床任务，包括癌症病情分级、分型、治疗反应评估、存活率预测，以及生成详细病理报告等。根据南方医科大学南方医院进行的前瞻性研究，SmartPath系统在诊断肺癌、乳癌、结直肠癌等多种癌症类型中表现优异，整体准确率超过95%。

SmartPath系统整合了临床诊断、分型、生物标记物量化、治疗评估及预后跟进功能，涵盖多种癌症类型。其核心能力由两大整合式AI模型驱动，通用病理基础模型（GPFM）能精准识别不同肿瘤类型及癌症亚型与生物标记物量化，不仅能进行诊断，还能预测患者的生存期及评估潜在治疗反应，为个人化治疗奠定基于数据的基础；多模态全切片病理基础模型（mSTAR）整合了大量病理影像及文字数据，可在短短数分钟内自动生成资料详尽的病理报告，并具备视觉咨询功能。

此外，该系统能无缝衔接临床工作流程，提供端到端解决方案，全面优化癌症诊疗周期，有助于纾缓诊断瓶颈，让病理专家专注于重大诊断决策及分析复杂病例。目前香港及内地逾十间顶尖医院参与严格临床验证，结果显示，SmartPath在大多数基准任务中持续位居榜首，尤其在恶性肿瘤识别及治疗反应预测等关键领域展现出卓越的准确性。研究团队也正逐步加强其功能，以覆盖更多癌症类型。

五、PRET系统在多癌症类型中的应用

香港科技大学李小萌教授团队、广东省人民医院张庆玲教授团队联合相关研究人员，提出了全新的PRET泛癌种识别系统。该系统将自然语言处理领域的上下文学习概念首次引入病理图像分析领域，与传统AI方法不同，PRET无需任何参数微调，仅在推理阶段加入1 - 8张标注切片作为“视觉上下文”，就能完成学习与识别。其架构包含特征提取器、上下文标注器等六大核心模块，可一站式支持癌症筛查、肿瘤分型、肿瘤分割、淋巴结转移检测等多种病理诊断任务。

为验证PRET的性能，研究团队在23个国际基准数据集上开展了大规模跨中心评估，数据集涵盖中、美、荷多国医院的4484张全切片图像，涉及18种癌症类型、9个器官组织。评估结果显示，PRET在23个基准任务中的20个上表现超越现有方法，15个基准任务的AUC值超97%，在CAMELYON16数据集上性能提升幅度更是达36.76%；其中结直肠癌筛查AUC值达100%，食管鳞癌肿瘤分割AUC值达99.54%，展现出优异的基础诊断能力。针对临床级淋巴结转移检测这一关键任务，在CAMELYON16数据集上，仅使用8张切片样本，PRET就实现了临床级诊断效果，其灵敏度远超病理医生常规诊断 。

六、crossNN模型在多癌症类型中的应用

德国相关研究团队开发的新型AI模型crossNN，利用肿瘤遗传物质的特定特征——通过脑脊液等途径获取的表观遗传指纹，对肿瘤进行分类。新型靶向疗法通过作用于特定肿瘤细胞结构或阻断信号通路来抑制异常生长，化疗方案也可据此优化调整。对于罕见肿瘤类型，还可能通过临床试验探索创新疗法，而准确识别肿瘤类型就显得至关重要。

crossNN基于简易神经网络架构，经大量参考肿瘤训练后，表现优异。对脑肿瘤的诊断准确率达99.1%，优于现有AI方案。同时开发的通用模型可区分170多种器官来源的肿瘤，准确率97.8%。该模型已应用于临床，某复视患者的脑脊液经纳米孔测序后，模型快速鉴定为中枢神经系统淋巴瘤，使其及时接受化疗。研究团队计划与德国癌症联盟合作，在德国八地开展临床试验，并探索术中应用，旨在将这种高精度、低成本的DNA检测技术推广至常规诊疗。

综上所述，AI病理技术在多癌症类型中的应用已经取得了显著的成果，不同的模型和系统在癌症的诊断、治疗和研究等方面都发挥着重要作用。随着技术的不断发展和完善，AI病理技术有望为癌症患者带来更好的治疗效果和生存质量，推动精准医疗的进一步发展。