病理AI资讯周报(第14期)-从＂工具＂到＂生态＂——计算病理的平台化拐点

核心要点速览

重磅头条：Grundium收购Visiopharm；富士胶片×mTuitive战略合作；徕卡×Indica Labs×Lunit三方合作开发PD-L1 AI算法；AIM-MASH AI Assist获FDA DDT与EMA双重认定。

临床应用：新型AI框架模拟病理思维检测乳腺癌淋巴结转移（AUC 0.96）；AIM-MASH AI Assist临床试验评分工具性能验证。

数字病理：全切片扫描仪组织检测算法对比（4厂商8台设备）；KLAS报告：美国不到15%医疗机构启动DP；PathPresenter数字病理会诊平台；PathAI数字病理工作站人体工学指南；elea原生AI病理OS落地佛罗里达。

AI安全与可信：Eric Topol"反向护理法"延伸；信任-可靠性矩阵；AI导致医学生"永不熟练"风险。

重磅头条

Grundium收购Visiopharm：硬件+软件一体化精准病理平台

5月25日，Grundium Oy宣布收购AI驱动精准病理软件公司Visiopharm A/S。整合后的平台将前沿成像与AI软件整合，为诊断实验室、生物制药开发及研究提供端到端解决方案。

这是2026年数字病理领域最重要的并购之一。行业正从"扫描仪厂商"和"软件厂商"分立格局，走向"一体化平台"竞争。

富士胶片×mTuitive：结构化报告+病理PACS整合

5月21日，富士胶片与mTuitive达成战略合作，将结构化病理报告平台与Synapse® Pathology整合。结构化报告通过LIS自动流入Synapse平台，与放射影像一同显示在肿瘤MDT讨论会上，打通"报告→数据→影像→AI"数据链。

徕卡×Indica Labs×Lunit三方合作：PD-L1及新型标志物AI病理算法

5月27日，三方宣布战略合作，共同开发AI驱动的PD-L1及新兴IHC生物标志物图像分析算法。首款产品Lunit SCOPE PD-L1 CAL10 NSCLC已上线。整合徕卡IHC染色、Aperio GT 450扫描仪、HALO AP图像管理与Lunit AI评分，打造无缝衔接的AI驱动病理工作流。

这是制药临床研究中生物标志物评估的标准化突破。

AIM-MASH AI Assist获FDA DDT与EMA双重认定

5月27日，PathAI发布AIM-MASH AI Assist®详细性能数据，并披露获FDA DDT和EMA双重认定。基于约8700张H&E切片和约7600张Masson三色切片开发，约60位资深MASH病理学家贡献超10万份组织学特征标注。

这是AI从"诊断辅助"进入"临床试验终点评估"的关键一步。监管机构正式认可AI评分可作为药物研发的可靠工具。

临床应用

新型AI框架模拟病理医生思维检测乳腺癌淋巴结转移

约克大学与森尼布鲁克健康科学中心5月25日发布研究成果（Scientific Reports）。AI框架通过选择性注意力机制，将细胞层面分析与组织背景结合，聚焦全切片图像中最相关区域。

性能数据（CAMELYON16）：图像块级灵敏度96.2%、F1值95.7%；切片级AUC 0.96，显著优于7种基准模型（p≤0.024）。分布外测试（CAMELYON17）：切片级AUC 0.88，pN分期卡帕系数0.94。

消融研究：移除细胞核分割特征后，灵敏度从96.2%降至88.4%，戴斯系数从90.5%降至80.5%，证明细胞核特征对区分肿瘤-正常边界的关键作用。

该框架的核心创新是"模拟病理医生思维模式"——同时关注微观细胞细节和宏观组织背景。临床定位为"决策支持系统"：初筛、预标注、初步分期，不替代专家。

AIM-MASH AI Assist：MASH临床试验评分工具

5月27日，PathAI发布详细性能数据。同一WSI连续部署10次，四大核心特征100%重复；中心内重复性92.6%–96.3%；跨中心可再现性84.7%–91.2%。均远高于病理学家间平均成对一致性（45%–70%）。

关键案例：II期WAYFIND试验回顾性分析显示，人工评分时试验未达主要终点，若使用AIM-MASH AI Assist工作流则本可达到。

这是AI从"诊断辅助"进入"临床试验终点评估"的关键一步。未来的临床试验可能不再需要昂贵的多阅片者专家组。

数字病理

全切片扫描仪组织检测算法对比：扫描面积、时间与文件大小的真实差异

5月21日发表于Journal of Pathology Informatics的研究，对4家厂商8台扫描仪进行系统对比（260张常规诊断切片）。

关键发现：型号A/B轻微高估组织面积（中位+76mm²），型号D低估（中位-196mm²）。扫描时间：型号A-C斜率0.08–0.13秒/mm²，型号D高达0.75秒/mm²（慢6–9倍）。文件大小：型号A/B为1.05–1.59 MB/mm²，型号C/D为3.51–3.86 MB/mm²（大2–3.7倍）。

这项研究揭示了一个被忽视的成本因素——扫描仪"看"到的组织面积直接决定扫描时间和文件大小（存储成本）。采购决策不能只看图像质量，必须算清"组织检测算法"这笔隐性账。

KLAS《2026年数字病理》报告：美国不到15%医疗机构启动DP落地

5月21日ThePathologist报道。核心数据：美国不到15%医疗机构启动DP落地，已采用者中组织病理数字化比例极低，细胞病理"几乎为零"。欧洲（法国、瑞典、荷兰、英国、西班牙等）数字病理应用率已超过50%。

扫描仪可靠性是客户满意度核心。部分临近退休的病理学家"希望拿着显微镜退休"，一些机构部署后病理学家因新流程更耗时而拒绝使用。

PathPresenter数字病理会诊平台

5月26日，PathPresenter发布文章剖析传统病理二次诊断的物流痛点。一次典型的外部会诊仍需5–14天——并非因为诊断复杂，而是因为切片在运输途中。

PathPresenter方案：独立于设备厂商的平台，专为数字病理会诊设计——整合查看病理、放射和临床图像；支持PHI安全协作；结构化会诊工作流；完整审计追踪与LIS集成。

PathAI数字病理工作站人体工学指南

5月21日，PathAI发布"Anatomy of a Dream Desk"，系统指导病理医生优化数字阅片工作站。核心建议：轨迹球/滚轮/3D鼠标、触控板/手柄模拟显微镜操作、数位板精细标注、可编程宏键盘、语音命令、20/20/20法则缓解视疲劳。

这篇指南的发布本身是行业成熟的标志——当厂商开始关注病理医生的颈椎、眼睛和手腕，说明数字病理已经从"能不能用"进入"好不好用"的阶段。

elea原生AI病理操作系统落地佛罗里达州

5月27日，elea与迈阿密GastroMed达成合作，落地其首个AI病理实验室。elea Lab以统一平台替代传统分散架构，在诊断工作流中直接生成结构化病理报告。预期效果：缩短周转时间，省去转录环节，数据可直接投入下游使用。

日本社区医院四年数字化实践

5月27日PathologyNews分享对日本资深病理医师Robert Osamura的专访。小型社区医院已推行数字病理四年，采用"数字切片与传统玻璃切片并行"双轨模式。数字病理适配日本岛国的地理特征与基层医疗需求。痛点：微小细节辨识度不足、人员适应慢、设备成本高昂。目前日本数字病理整体普及率偏低，高昂设备价格是最大阻碍。

监管亮点：日本PMDA已出台远程诊断医保分摊的利好政策，法规正逐步放宽对传统玻璃切片的强制要求。MUSE直接数字化成像最适合用于术中快速诊断，虚拟染色有望弥补传统冰冻切片不足。AI定位为病灶初筛，始终作为医师帮手而非替代者。核心观点：行业未来目标不是单纯技术数字化，而是推动病理学科回归"以患者为中心"，加强病理与临床的协同联动。

AI安全与可信

Eric Topol："反向护理法"在AI时代的延伸——Recursive Care Law

5月25日，Eric Topol引用1971年提出的"反向护理法"，指出AI时代正演变为"Recursive Care Law"：资源充足地区能更好部署、优化AI，进一步提升医疗质量；资源匮乏地区无法有效使用AI，差距被不断放大，形成"富者愈富，贫者愈贫"。破局案例：远程AI诊断、AI驱动公共卫生监测。关键前提：必须通过主动设计、收集多样化数据、开展公平性评估，才能避免AI"复制并放大"现有不平等。

临床AI中的人为因素：信任-可靠性矩阵

5月26日，Eric Topol分享论文提出"信任-可靠性矩阵"，划分四种人机互动模式：

最危险的是右下：AI正确但医生不信任，导致漏诊。病理AI尤其面临这一风险——病理医生的专业自尊可能让他们对AI提示的高风险病灶产生抵触。

AI对医学教育的负面影响：从"技能退化"到"永不熟练"

5月27日，Eric Topol引用《Nature Medicine》观点文章，系统阐述两种风险：

Deskilling（技能退化）：资深医生长期依赖AI读片，自身影像解读能力下降。

Never-skilling（永不熟练）：医学生全程用AI辅助，从未通过刻意练习掌握核心技能。极端场景（AI系统故障、网络中断、无AI支持的偏远地区/灾害救援）下，这些"从未熟练"的医生将无法独立处理紧急情况，直接威胁患者安全。

产业合作与监管

教育与资源

跨领域突破

虚拟染色走向workflow整合；具身智能进入制片环节；多组学融合（影像+分子+基因组+临床）成为精准肿瘤标准范式。

日本数字病理实践：四年双轨制（数字+玻璃并行）、远程诊断医保分摊、MUSE术中快速诊断、AI初筛定位，核心目标是"以患者为中心"的病理-临床协同。