说实话，大部分病理医生——包括我和在看这篇文章的你——短期内确实没有机会在自己的科室使用RuiPath或者同济·木兰。那我们能做什么？

我调研的结论是：不是"等AI来了再学"，而是"从现在开始，把手头的每一张切片变成未来的数字资产"。以下是结合AI整合的我们马上可以展开的一些行动建议。

1.立即开始做ROI标注——这是我们能构建的最值钱的数字资产

这是最核心的一条建议，也是回答很多病理医生共同的困惑："我手上没有AI产品可以用，每天就是对着显微镜看片子，我到底能为未来的AI做什么？"

答：把我们看到的病理特征，用数字化的方式"标注"出来，存下来。这件事，不需要等医院买任何AI设备——只需要三样东西：一台可以连网的电脑、切片扫描服务（哪怕是委托院外）、以及免费的标注软件。

📍 第一步：让切片"数字化"

如果科室还没有切片扫描仪，以下是切实可行的替代方案：

① 借用或租用：询问本院科研平台/中心实验室是否有切片扫描仪（很多医院科研部门已有，但临床病理科不知道）；

② 区域内合作：联系所在省份的病理质控中心——国家卫健委搭建的"数字病理远程诊断与质控平台"在全国部署了扫码节点，很多可以对外提供扫描服务，按片计费，单片成本约几十元；

③ 科研合作途径：如果带研究生或有科研课题，可以以科研合作名义对接高校/企业资源做批量扫描；

④ 从最有价值的切片开始：不需要把每天的常规切片都扫描。优先选择：罕见病例、典型教学病例、在诊断中有过犹豫和讨论的疑难切片。哪怕是每周扫5-10张，一年就是500张高质量数字切片——这已经足够用于小样本AI训练。

📍 第二步：用免费工具做ROI标注不需要花一分钱。

目前全球数字病理领域最主流的开源标注工具是：

QuPath（爱丁堡大学开发，下载地址 qupath.github.io）：

• 完全免费开源，支持Windows/Mac/Linux

• 支持SVS、NDPI、TIFF等主流切片格式· 可以画ROI轮廓、做细胞计数、组织分类、分级标注

• 有完整的中文教程（知乎搜索"QuPath入门"即可）

• 学习曲线：下载安装10分钟，跟着教程做完第一个标注，大约2小时

ASAP（荷兰Radboud大学开发，computationalpathologygroup.github.io）：

• 更轻量，适合快速浏览和简单标注

关键点：标注不是"重新诊断"，而是把我们已经在显微镜下看到并做出的判断，用数字化的方式记录下来。比如在乳腺癌切片上，把浸润性癌区域圈出来，标注"浸润性导管癌，II级"——这就是一条可用于AI训练的高价值标注。

📍 第三步：建立"分层标注"体系

不要只是随意画个圈。参考国际标准（如CRS4数字病理平台CDPP的结构化标注协议），建议养成以下标注习惯：

第一层：组织类型标注（肿瘤组织 / 正常组织 / 坏死 / 炎症区域）

第二层：病变区域标注（在原发灶区域上进一步细分癌巢、浸润前沿、脉管侵犯等）

第三层：分级/分型标注（在病变区域上标注Gleason评分、病理分级、分子亚型等）

这种"金字塔式"的分层标注，比散乱的单层标注价值高得多——因为未来的病理AI需要的正是这种带有上下文语义的结构化数据。CDPP平台的研究表明，使用这种分层标注方法后，标注者间一致性（kappa值）可达0.83，远高于自由标注。

💡 一个真实的数据点：RuiPath在邯郸市中心医院的本地化适配，每轮仅需几十张高质标注切片就能将乳腺癌诊断准确率从95%提升至接近100%。这说明什么？一个病理医生一年认真标注200-300张切片，就足以"喂养"出一个属于自己科室的专属病理模型。我们现在标注的每一条ROI，都在为未来的AI铺一块砖。

2.推动科室数字化基建——从"等医院拨款"到"有理有据地申请"

数字化是AI的基础。全国5000家有病理科的医院中，完成数字化改造的不到十分之一。

• 主流设备与成本：目前国产扫描仪已非常成熟。江丰生物KF-PRO系列（40倍物镜、单次装载120片）、麦克奥迪（Motic）、优纳等品牌的数字病理扫描仪，终端采购价约30-80万元（视配置而定），远低于很多人想象中"几百万"的数字。一些区县级医院已经在配。

• 以"质控"为切入点申请：2026年版《数字病理全切片扫描质量控制与远程诊断规范指南》已发布，以"参与国家数字病理质控平台"为名申请——这是有政策支撑的刚需，比笼统地说"我们要搞AI"更容易获批。

• 会诊切片：不需要一步到位全部数字化。先让疑难会诊切片走数字流程——既解决了实际痛点，又积累了数字切片库，还为未来AI铺了路。宝安区人民医院就是从宫颈细胞学单病种开始的，5年积累了98,000例。

3.提升"AI不可替代"的能力——从"筛片工人"进化为"诊断专家"

AI擅长的是"筛"——在大量样本中快速挑出异常。但AI不擅长"判"——在疑难病例中做出综合精准判断。

未来的病理医生，核心竞争力会从"看得快、看得多"转向"看得准、判得深"。具体来说：

• 深耕疑难病例：把精力从常规的"排阴"工作中解放出来（未来的AI会接管这部分），聚焦于不典型增生、交界性病变、罕见肿瘤等AI容易出错的高价值病例。

• 发展MDT能力：多学科会诊需要病理医生提供的不只是"这是什么病"，而是"这个分子特征意味着什么治疗方案"——这种临床上下文整合能力，AI在可预见的未来都无法触及。

• 掌握分子病理：单纯的形态学诊断门槛会越来越低，但将形态学与免疫组化、基因检测结果整合判断的能力会越来越值钱。DeepGEM证明了"读片预测基因突变"是可行的，但最终的解释权在病理医生手里。

4.培养"AI素养"——不需要写代码，但需要懂AI的思维

我们不需要专门去学Python，但一定要理解三件事：

AI是怎么做出判断的？

——病理AI本质上是基于深度学习对海量标注数据进行模式匹配，它不是"理解了癌症"，而是"学会了区分看起来像癌症的像素模式"。理解这一点，我们就能判断AI在什么场景下可能出错。

AI的置信度意味着什么？

——当AI输出"恶性，置信度92%"，这8%的不确定性从哪里来？往往是因为AI在训练数据中见过类似的但不够充分的样本。这些"低置信度"病例，恰恰是最需要病理医生介入的场景。

AI的常见错误模式

——目前病理AI最容易出错的三类场景：染色质量不一致的切片、含有大量炎症或坏死的组织、罕见肿瘤类型。知道这些，我们在复核AI结果时就有重点可查。

5.关注政策与区域网络——比想象的更快能用上AI

RuiPath的"三级扩散模式"和邯郸的"区域数智病理医联体"提示了一个重要趋势：

AI不会以"每个科室买一套"的方式普及，而是以"云端服务+区域中心"的模式向下辐射。

具体需要关注：

• 国家级平台：国家卫健委病理质控中心已建成"数字病理远程诊断与质控平台"（motic.chinapathology.cn），这是全国病理数字化的顶层基础设施。接入这个平台，就等于接入了整个数字病理生态。

• 省级病理质控中心：关注所在省份的病理质控中心是否有AI试点计划。很多省份正在以"质控+AI"的组合方式推进。

• 华为云"行业AI梦工厂"：RuiPath的云平台已对医疗机构开放，采用"以租代建、开箱即用"模式，院内只需消费级PC即可承载AI推理，PIS集成周期约一周。

6.主动成为"AI调教师"——参与而非旁观

病理AI当前最大的痛点不是技术不够强，而是缺少临床医生在真实工作流中的深度参与。实验室数据优秀的模型，进入真实临床场景往往"水土不服"，原因通常是：

• 训练数据与真实样本的染色条件、扫描参数不一致

• 模型输出的诊断分类与实际临床报告的分类体系不匹配

• AI的"假阳性"报警模式与医生的实际容忍度不匹配

这些问题的解决，需要的是病理医生的手，不是工程师的手。如果所在医院有与高校、企业的AI合作项目——哪怕只是"验证测试"级别的——积极参与进去。我们的每一次复核、每一次纠错、每一次反馈，都是在"调教"一个越来越懂我们科室需求的AI。RuiPath在瑞金医院之所以能做到接近100%的乳腺癌诊断准确率，正是因为病理医生在日常审核AI结果时，顺手将"改错"的地方标记出来，这些修正数据立即回流成为新的训练数据——这就是数据飞轮的本质：医生和AI互相"喂养"。