一张病理切片2个G，AI是怎么在5秒内"看"完的？ 

 2026年4月23日，西安。中华医学会病理学分会第三十一次学术会议的参展商名录上，出现了一个让人多看两眼的展位号：A12，华为技术有限公司。 

 一个做通信基站和芯片的公司，出现在了病理学术会议上。 

 它不是一个人来的。翻看完整的参展商名录： 

 跟AI/数字病理直接相关的企业，至少12家。 

 这在往届病理年会上是从未出现过的景象。 

一个根本问题：为什么病理科需要AI？

先看一组数字：

 更重要的是，病理诊断不是"看一眼就能判断"的事。一张切片的判读质量，直接关系到后续的手术方案、用药选择和预后判断。漏一个微小病灶，或者误判一个良性增生为恶性，后果都无法承受。 

 这就是AI病理入场的最朴素理由：人不够，而且人也会累。 

一张切片2个G——AI面对的是什么样的数据？

在讨论AI"怎么看"之前，先得搞清楚它"看什么"。

 传统病理科是把组织切片放在玻璃片上，病理医生通过显微镜观察。而AI病理多了一个前置步骤：全切片扫描（WSI，Whole Slide Image）。 

把一张玻璃切片放进数字病理扫描仪，几分钟后，电脑里生成的不再是一张"照片"，而是一个2到5GB的图像文件。换算一下，相当于2000到5000张手机照片的像素量塞进一张图里。 

 这种尺度下，常规的图像识别方法直接失效。你不能把一张2GB的图直接喂给算法——显存会爆炸，效果也会塌。 

 所以，AI面对的第一个拦路虎不是"识别癌细胞"，而是怎么高效地处理一个超级大的图。 

三层技术架构：CNN → MIL → Transformer

 AI看一张病理切片，大体上分三步走。我用一个比喻来解释。 

把一张WSI想象成一张超高清卫星地图。 你的任务是找到地图上哪几个街区有违建。 

第一层：CNN——"这是什么建筑？"

 卷积神经网络（CNN）是计算机视觉的"基础兵"。它的工作原理是用小卷积核在图像上滑动，提取不同层级的信息：边缘在哪、纹理密度如何、颜色分布是什么、细胞核和细胞质的比例是多少。 

 在病理图像里，CNN能识别出：这块区域是正常的腺体结构，那块区域细胞核大小不一、排列紊乱——后者就是病理医生常说的"异型性"。 

 但CNN有一个天生的局限：它擅长看"局部"，不擅长理解"全局"。一张2GB的切片，你让CNN看完需要切片成几千个小块分别处理——这就是下一个技术要解决的问题。 

第二层：MIL——"哪个街区有问题？"

 多实例学习（MIL）是WSI分析的核心方法创新。 

 通俗地讲，MIL把一张WSI当成"一袋图像块"。算法不需要知道每一个像素是什么，它只需要知道：这一袋里有没有病灶块。这种方法的巧妙之处在于——训练时不需要医生把病灶精确勾画到像素级别，只需要标注"这张切片是恶性"或"这张是良性"就够了。 

 这大大降低了对标注数据的需求。要知道，一张切片的精细像素级标注可能需要高年资病理医生花2-4小时，而切片级的标签只需要几秒钟。 

第三层：Transformer——"这个街区和那个街区是什么关系？"

 Transformer架构的"注意力机制"让AI开始理解上下文。它在CNN提取的局部特征之上，捕捉组织区域之间的空间关系——腺体区域和间质区域的比例、肿瘤区域和免疫浸润区域的分布模式。 

 2024年Nature Medicine发表的Prov-GigaPath就是这类基础模型的代表：它用海量的病理图像数据训练，学习到了"正常的组织看起来应该是什么样的"，从而能更敏锐地发现异常。 

三个层级合在一起的能力是这样的：先找到异常区域（CNN），确定这张切片有没有问题（MIL），然后理解问题在全图中的位置和扩散关系（Transformer）。说实话，这和病理医生的阅片思路几乎是一模一样：先扫低倍镜找可疑区，再切高倍镜细看，最后结合整体组织形态下判断。 

AI到底多准？——数据说话

 但我得提醒你两个关键限定词："辅助"和"部分癌种"。 

 目前所有获批的AI病理产品都定位为"辅助诊断工具"——AI可以做初筛、做提醒、做排序，但最终诊断签字的是人。在罕见肿瘤、高度异型性病灶、染色质量差的样本上，AI的准确率会明显下降。这是技术局限，不是缺陷——承认局限本身就是专业性的体现。 

从病理年会看下一步：华为为什么来了？

回到开头那张展位图。

 华为出现在病理年会，不是来做病理诊断的，是来做AI基础设施的。华为云+昇腾芯片+盘古大模型的技术组合，瞄准的是医院病理科的数字化底座。商汤的入场逻辑类似：算力方案+医疗AI平台。 

 这个信号很明确：AI病理从"实验室技术"进入了"工程落地"阶段。

 当IT大厂开始关注一个垂直医疗领域，通常意味着这个领域的数字化基础已经成熟、市场需求已经明确、技术路线已经收敛。接下来的竞争焦点，不再是"谁的算法更准"，而是"谁能把AI无缝嵌入病理科的真实工作流"。 

 对于病理医生来说，这个趋势传递的信息很明确：你不会被AI取代，但会用AI的病理医生，会取代不会用的。

 这话不是我说的，是我们在本次年会上和几位资深病理专家聊到的共识。今年全国两会上，中国工程院院士于金明曾提出一个引发广泛讨论的观点——"AI可逐步取代一些低端的医疗行为，如常规的影像诊断、病理诊断及放疗计划制订等传统工作"。此言一出，病理学界反应强烈。华夏病理网刊发了一篇评论文章，题目就叫《病理诊断绝非"低端医疗"：AI是助手，而非替代者》。 

 但和年会现场的几位资深病理专家聊下来，我发现双方的底层共识其实大于分歧。于金明院士也多次强调"AI不能取代高级别医生"、"它没有法律效力，不出问题谁来负责？"——这和病理专家的判断完全一致。大家一致认为：病理被AI完全取代的可能性极低，还有很长的路要走。 真正的方向不是"替代"，而是"协作"。 

 于是下一个问题就变成了：怎么协作？ 

 AI独立初筛的边界在哪里？人类复核的触发条件是什么？AI出错时的责任归属怎么界定？这些问题的答案，会比任何一篇技术论文都更深刻地影响病理科的未来。