本文为综述（类型b），作者为Yunqiu Gao、Teng Ma、Lisha Li、Yong Ding、Ruiqun Qi、Xiaoyu Cui、Xinghua Gao等，来自东北大学医学与生物信息工程学院、中国医科大学附属第一医院皮肤科等机构，发表于Chinese Medical Journal，于2025年12月9日收稿、2026年7月22日在线发表。文章题目为《基于深度学习的计算病理学：技术、临床应用与未来方向》（deep learning-based computational pathology: technologies, clinical applications, and future directions）。文章围绕全玻片成像（whole-slide imaging, WSI）与深度学习（deep learning, DL）在病理诊断与预后中的转化应用，提出了一个“临床任务—算法匹配”的双视角框架，系统梳理了2020至2025年间该领域的关键技术进展与临床落地障碍。

文章首先指出，传统显微镜病理诊断存在三大固有局限：高度依赖专家经验导致观察者间差异（interobserver variability）、处理大量样本时通量低、人眼无法对复杂形态特征进行定量分析。全玻片成像的普及为数字病理奠定了数据基础，使人工智能（artificial intelligence, AI）驱动的计算分析成为可能。然而，AI从研究走向临床实践仍面临显著障碍，主要在于算法进步与病理诊断及预后实际需求之间的错位。作者提出，本综述的核心贡献在于建立一个“算法—临床任务映射框架”（algorithm–clinical task mapping framework），将临床核心任务与前沿深度学习方法系统连接起来，为特定临床目标选择与设计AI方案提供实用指导。

在临床诊断与预后应用层面，文章将其分为病理图像分割、疾病分级与分期、预后预测三个主要方向，并结合具体研究阐释了各自的技术路线与临床价值。在病理图像分割方面，U-Net及其变体在像素级组织分割中表现突出，Transformer（变换器）通过全局建模能力可有效识别弥漫性肿瘤浸润等复杂病理区域，图神经网络（graph neural network, GNN）则进一步整合空间与分子数据，用于建模肿瘤微环境中的细胞互作。自动分割可将人工标注时间从小时级缩短至分钟级，推动大规模筛查与精确定量分析。但染色差异导致的泛化性不足、模型可解释性差以及跨癌种适用性有限仍是核心挑战。

在疾病分级与分期方面，文章以乳腺癌Nottingham分级、前列腺癌Gleason评分、肝细胞癌Edmondson–Steiner分级及肺腺癌IASLC分级为例，说明传统组织学分级依赖对核异型性、组织结构和核分裂象的细致观察，主观性强且易漏检早期异质性特征。深度学习通过多尺度特征提取捕捉从核多形性到腺体结构破坏等微观特征；图卷积网络（graph convolutional network, GCN）可分析细胞邻接与拓扑关系，在肺癌亚型分型等任务中提高性能。Campanella等人提出的多实例学习（multiple instance learning, MIL）框架在前列腺癌淋巴结转移检测中展现了与病理专家相当的诊断一致性。文章强调，当前分级与分期模型面临“病理语义鸿沟”问题，即模型提取的像素级特征常缺乏与既定病理学标准的显式对应，增加了低级别肿瘤误分类风险。

在预后预测方面，深度学习可从细胞、组织及微环境三个尺度挖掘预后相关特征。例如，Kather等人通过分析结直肠癌全玻片图像预测总生存期，C-index达到0.79，减少了对基因检测的依赖；在黑色素瘤研究中，DL可精确识别CD8+ T细胞等肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes, TILs）的密度与空间分布，构建与生存结局强相关的免疫评分系统。预后模型性能从预测准确性、跨数据集一致性和生存分析效力三个维度进行评价；例如，一项肺腺癌多模态模型C-index为0.753，风险分层表现显著优于TNM分期系统（ΔC-index = 0.12, p = 0.003）。文中还列举了多项标志性研究（表1），如2024年Javed等人在乳腺癌/肺癌/肾癌中利用统一互Transformer学习（UMTL）取得CAMELYON16 AUC 0.966、TCGA-RCC AUC 0.991；2023年Xiang等人利用GCN-MIL在前列腺癌分级中AUC达0.992，并跨中心验证AUC＞0.98。

在技术突破层面，文章重点讨论了零样本学习（zero-shot learning, ZSL）、基于H&E预测免疫组化（immunohistochemistry, IHC）结果、以及单细胞尺度病理图像分析。ZSL使模型无需目标类别标注即可识别新疾病类别，对于罕见病诊断和新肿瘤变体识别具有重要价值。例如，Lu等人提出的视觉语言模型在三个癌症亚型分类任务中实现中位零样本准确率70.2%；MI-Zero框架在结肠癌亚型分类中零样本准确率达92.4%。基于H&E预测IHC方面，文章系统总结了多项研究（表3）：乳腺癌PD-L1预测AUC为0.886（95% CI: 0.805–0.934），胃癌HER2Net多中心准确率为0.8922（κ=0.81, p<0.001），前列腺癌/胰腺癌/结直肠癌/乳腺癌的虚拟多重染色框架F1=82.9%，且部分标志物的虚拟染色质量超过真实IHC。文章指出，这一技术路线在资源有限场景中尤其有价值，可通过常规H&E玻片提供初步生物标志物预测，优化IHC检测优先级并降低成本——例如一项研究显示试剂成本降低92%（从每样本100美元降至8美元）。在单细胞分析方面，文章介绍了HistoCell、DeepLIIF以及sc-MTOP等算法，这些方法通过深度学习从常规H&E切片中推断单细胞空间网络，将数字病理与空间生物学整合，为免疫治疗选择和预后微环境模式识别提供了更精细的框架。

在深度学习方法与技术创新的核心章节，文章从模型架构改进、训练策略优化和可解释性研究三个维度进行了系统梳理。模型架构方面，研究者开发了多尺度建模与注意力机制相结合的自定义网络，如金字塔Transformer和知识感知图注意力机制，以模拟病理医生“全局定位到局部验证”的推理过程；轻量化网络通过深度可分离卷积、动态通道剪枝和知识蒸馏在有限计算资源下保持分析性能；基础模型（foundation models）如Prov-GigaPath、TITAN和UNI则在数十亿级病理图像块上以自监督学习进行预训练，为下游任务提供通用表示。训练策略方面，数据增强从基础几何变换发展到自注意力驱动的染色归一化和GAN生成，正则化方法包括cutout、DropBlock、shake-shake及标签平滑等；迁移学习（transfer learning, TL）和多任务学习（multitask learning, MTL）通过知识复用和任务协同提升泛化能力，例如DeepGEM模型在多中心试验中预测肺癌基因突变和空间特征AUC达0.95；半监督与弱监督学习通过伪标签、一致性正则化、MIL及注意力聚合，大幅降低对像素级标注的依赖。零样本与少样本学习通过语义嵌入空间、跨模态对齐和元学习等机制应对罕见病与新兴病理实体的识别需求。

在可解释性研究方面，文章区分了基于模型的解释与事后解释（post hoc explanation）。模型内置的注意力机制和可追踪架构（如PathChat）提高了决策透明度；事后解释包括梯度分析（如Grad-CAM++、TransCAM）、层级相关性传播（layer-wise relevance propagation, LRP）、SHAP及LIME等方法。文章特别指出，当前可解释性研究面临认知鸿沟与工作流鸿沟：热力图仅显示“高贡献区域”而缺乏病理术语支持，SHAP像素级分析所需计算时间远超临床医生每张玻片5分钟的阅片标准。解决方向包括开发医生—AI决策一致性评估框架、通过联邦可解释性一致性协议减轻跨中心泛化偏倚、以及利用结构因果模型建立形态特征与治疗反应之间的因果关联。

在临床转化挑战方面，文章引用数据指出，截至2024年12月，美国FDA已批准超过1000个AI/机器学习医疗设备，但其中病理相关设备不足0.5%；中国NMPA截至2025年4月仅批准两款病理AI设备。全球数字病理市场预计从2025年的13亿美元增长至2032年的38.6亿美元，复合年增长率16.9%，但实际临床应用仍十分有限。阻碍因素包括模型“黑箱”特性、多中心数据异质性、监管适应滞后、数字基础设施不足及报销政策不明确。文章呼吁建立全球数据标准化协议，并发展集中式开放生物库与分布式联邦学习相结合的隐私保护数据共享机制。

文章最具特色的贡献是表4所展示的“算法—临床任务匹配框架”，其围绕七个维度——临床任务类别、具体任务、输入数据、可用标注、关键挑战、推荐算法及理由——将诊断、预后与治疗指导等临床需求与GNN、MIL、Transformer、多模态融合等技术方案进行系统对应。例如，预测免疫治疗反应且空间转录组数据有限时，推荐使用空间GNN，因为其可建模肿瘤微环境中细胞间空间互作，而这一互作与免疫治疗疗效密切相关。该框架为研究者提供了可操作的技术选型路径，弥合了计算理论与诊断现实之间的鸿沟。

最后，文章从伦理、监管与教育角度提出展望：AI与病理医生的协作应从“工具替代”转向“认知增强”；医学教育需培养兼具计算思维与临床推理能力的未来病理医生；医疗责任归属、算法公平性与患者数据隐私保护需在分类监管体系内加以明确。文章强调，未来应发展集成化、可信且公平的AI系统，以增强而非取代病理医生的专业判断。