统的病理学
数字病理中的专业名词1-2
1. 数字病理（DP，Digital Pathology）：是利用计算机技术和数字化设备来采集、管理、分析和解释病理图像和数据的过程。它将传统显微镜下的病理切片图像数字化，并结合图像分析软件和人工智能技术，提供更高效、准确和可重复的病理诊断和研究方法。
2. 全切片数字扫描技术(WSI，Whole Slide Imaging)：WSI包括两个过程:
WSI扫描仪是一种用于将整个玻璃显微镜载玻片转换为高分辨率数字图像的设备。所有的现代WSI系统包括照明系统，显微镜光学元件，和一个聚焦系统，精确地把图像放在相机上。
3. 计算病理学(CPATH，Computational Pathology)：Louis D.N.等(2014)将CPATH定义为一种合并多种原始数据来源(如临床电子病历、实验室数据和影像学)的诊断方法。通过整合相关信息，利用数学模型生成诊断推断和预测，并形成报告。这便于医疗着能迅速做出最佳的医疗决策。
4. 机器学习(ML，Machine Learning )：ML是人工智能的一个子集，它展示了与人类智能相关的体验式“学习”，同时也具有使用计算算法改进其分析的能力。它可以大致细分为三个主要类别，如监督学习(具有特定的算法，例如线性和逻辑回归、神经网络和决策树)、无监督学习和半监督学习。监督学习展示了一种算法从目标或标记病例的可用数据中泛化知识的能力，使该算法能够预测新的(未标记的)病例。无监督学习涉及使用算法根据底层关系或特征将未分类的数据自动分组到集群中。半监督学习是一种利用少量标记数据和大量非标记数据进行训练的机器学习。
5. 决策树（Decision Tree）：是一种有监督的ML算法，它通过若干输入特征构建一个模型来预测目标变量的值。极限梯度提升(XGBoost)是一个可扩展的端到端树提升系统，被数据科学家广泛使用，以在许多ML挑战中获得最先进的结果。
6. 计算机辅助诊断(CAD，Computer Aided Diagnosis)：在CAD中，机器学习技术被用于分析来自患者人群过去病例样本的影像学和非影像学数据，创建一个模型，将提取的信息与特定疾病结局关联起来。
7. 计算机辅助图像分析(CAIA，Computer Assisted Image Analysis)：CAIA涉及利用计算机算法和软件来检查和解释医学图像。例如，一些工具可以用来确定乳腺病变是良性还是恶性，确定癌症类型，协助病理学家完成这项任务，并减少由于观察者差异而导致的结果差异。
8. 深度学习(DL，Deep Learning)：深度学习使具有多个处理层的计算模型能够学习跨不同抽象级别的数据表示。
9.卷积神经网络(CNNs，Convolutional Neural Networks)：一种专门为图像和视频处理设计的深度学习算法，使其成为医学图像分析和诊断的热门选择。
10.循环神经网络(RNNs，Recurrent Neural Networks)：是一种深度学习算法。旨在同时解决各种相互依赖的问题。它的特点是一个组织在闭环中的结构，使网络能够有效地处理任务的相互依赖。
11. 生成对抗网络(GANs，Generative Adversarial Networks)：是一种深度学习算法。在训练期间，来自图像的信息与统计预测器相结合，共同决定结果。
12.多示例学习( MIL，Multiple Instance Learning)：是由监督型学习算法演变出的一种方法，定义“包”为多个示例的集合，具有广泛的应用。学习者不是接收一组单独标记的实例，而是接收一组带标签的包，每个包拥有多个实例。在多实例二进制分类的简单情况下，如果包中的所有实例都是否定的，则可以将包标记为否定。另一方面，如果包中只要至少有一个是正面的，则包被标记为阳性。
数字病理的组成部分
1. 数字化扫描：
1）使用高分辨率扫描仪将玻片上的病理切片图像数字化。
2）生成的数字图像可以通过计算机进行查看、分析和存储。
2. 图像管理系统：
1）数字病理图像存储在图像管理系统（IMS）中，方便病理医生和研究人员随时调取和查看。
2）这些系统通常支持云存储，方便远程访问和协作。
3. 图像分析软件：
1） 利用计算机软件对数字病理图像进行分析，自动识别和量化病理特征，如细胞密度、肿瘤边界、血管密度等。
2） 人工智能（AI）和机器学习算法可以用于提高分析的准确性和效率。
2.NMPA批准：
1） 在NMPA官网以“数字病理”作为关键字搜索，发现28个相关产品获得相关注册，具体的产品信息及数量如下：
2） 如果以“病理切片扫描仪”为关键字搜索，有24个产品获得注册证。
数字病理的实践
从文献2搜索我们可以看到，75%关于数字病理的文献发表在2020-2023年，此外，53%数字病理的文献发表于2022-2023。数字病理的研究进入井喷式阶段。
1.有研究1以"人工智能" "计算机辅助诊断" "计算机辅助图像分析"为关键词，结合"数字病理" "免疫组织化学"。搜索在2014年至2024年期间发表的英文论文。1）乳腺癌
a. 没有找到专门讨论使用AI算法检测IHC切片上的基底/肌上皮标记物的文章。然而，有为H&E玻片开发的算法，例如用于肿瘤分割和分类的算法。
b. ER和PR：人工定量和算法定量之间的相关性超过95%。这些发现强调了该方法的稳健性，并表明AI辅助检测IHC标志物可以与人工评估一样准确。
c.Her2：采用了肿瘤细胞分割和HER2膜染色强度和模式等方法，自动化DIA评估将灵敏度和特异度分别提高至100%和95.5%。人工评估的灵敏度为85.0%，特异度为86.0%。
d.Ki67：AI计数Ki-67与金标准高度一致，达到甚至超过了国际乳腺癌工作组(International Breast Cancer Working Group)推荐的细胞数量范围。
2)前列腺癌，通过人工智能支持的多重荧光免疫组化(mfIHC)可以快速、重复性高的分析Ki67，其主要优点是分析仅限于肿瘤细胞，这是换成RNA或DNA的检测分析无法实现的。
3）肺癌，AI支持的深度学习诊断模型在检测肺腺癌和肺鳞状细胞癌方面表现出显著的准确性。结果提示，AI驱动的诊断模型在协助病理学家精确评估PD-L1表达方面具有潜力，特别是PD-L1在1%阈值时的表达。
4）恶性黑色素瘤，PD-L1而言，数字评分的批间差低于手工评分。手动评分和数字评分的中位病理医师间变异系数(%CV)分别从124.9%降至7.8%，病理医师内变异系数从65.4%降至7.6%。此外，利用CNN模型的核团分割技术，能够以低计算复杂度对核进行分类，平均错误率低于0.7%。
5）不明来源的肿瘤，一套基于ML算法和IHC数据库的系统(iOS和Android应用程序)，以辅助病理医师做出精准诊断。训练集、验证集和测试集的准确率(正确识别实例的比例)分别为78.5%、78.0%和89.0%，表明它们之间无显著差异。
6）淋巴瘤，有研究证明AI软件用于定量分析淋巴瘤切片上IHC标记物。一项使用ImmunoGenius对150例淋巴瘤(HE和IHC切片)进行的研究，其诊断精度成功率可让人接受。对于大多数B细胞淋巴瘤(DLBCL、滤泡性淋巴瘤和SLL)，结果非常好，错误率为零，对于T细胞淋巴瘤(T淋巴母细胞白血病/淋巴瘤和结外NK/T细胞淋巴瘤，鼻型，错误率为零)，结果大致相当。
2.用于免疫评分的诊断3
IS是一种数字病理进行免疫测定，最初设计用于量化TME内的CD8+和CD3+ T淋巴细胞，以确定肿瘤中T细胞的丰度和浸润。IS提供了一种强大的预后工具，因为它通过检查免疫细胞的密度和位置，在确定癌症患者的肿瘤免疫环境方面显示出很高的准确性。IS还发现，根据肿瘤免疫成分对患者进行分层，肿瘤内适应性免疫反应对患者的生存有显著影响，并且在不考虑肿瘤分期的情况下显示出强大的预后价值。
3.用于病理诊断、培训和教育4
数字病理学(将玻璃组织切片以高分辨率扫描、数字化、存储并与病理学家共享的技术，病理学家可以在屏幕上使用显微镜软件查看它们)正在改变全球临床诊断病理学服务的提供。
除了增加临床组织病理学实践的价值外，数字化组织病理玻片还提供了一种多功能的媒介，以满足各种学习者的教育需求，包括本科生、正在培训的博士研究生和那些追求持续专业发展组合的人。
4.乳腺癌病理学，通过数字病理与人工智能的结合在乳腺癌发挥巨大作用7
1）乳腺癌诊断：可以通过处理大型全切片图像，准确识别侵袭性乳腺肿瘤和淋巴结转移，提高诊断准确性。
2）激素状态评估：定量分析可以帮助评估乳腺癌患者的激素状态，提高观察者间的一致性和可靠性。
3）乳腺癌分级和有丝分裂计数：可以有效分类乳腺癌，甚至对于传统方法难以处理的中度分级病例也能取得良好效果。此外，人工智能辅助的有丝分裂计数在精确性和敏感性方面超过了手动计数，有助于改善预后。
4）肿瘤浸润淋巴细胞评估：评估三阴性乳腺癌中的肿瘤浸润淋巴细胞可以提供患者生存预后的见解。
5） 新辅助化疗反应预测：基于人工智能的预测可以简化新辅助化疗策略，有潜力优化治疗方案。
数字病理的优点5-6，8-9
1. 高效性：数字化工作流程可以显著提高病理诊断的效率。
2. 精确性：自动化图像分析和AI技术可以提高诊断的准确性和一致性。
3. 可存储和共享：数字图像可以方便地存储、共享和备份，支持多中心研究和协作。
4. 远程诊断：远程病理技术可以使病理医生在不同地点进行协作和诊断，提高诊断的可及性。
5.屏幕阅片更符合人机工程学原理：一项研究显示，认为数字切片图像阅片符合人机工程学原理的医师比例分别为：轻微符合8.7%，符合47.8%，非常符合17.4%，相当符合26.1%。尤其是使用双显示屏和专用图像导航设施后，这种人机工程学的优势体现得更加明显。
数字病理的风险和挑战5-9
1.技术风险
1）设备故障和数据丢失：
a.高分辨率扫描仪和图像存储设备可能出现故障，导致数据丢失或图像质量下降。
b. 需要有可靠的备份和数据恢复机制，以防止重要病理数据的永久丢失。
2)系统兼容性问题：
a.不同厂商的数字病理设备和软件可能存在兼容性问题，导致数据交换和集成困难。
b. 需要建立统一的标准和规范，以确保系统之间的互操作性。
3) 图像质量问题：
a.数字化过程中可能出现图像失真、颜色偏差等问题，影响病理诊断的准确性。
b. 需要定期校准和维护设备，确保图像质量符合标准。
2. 数据安全和隐私风险
1)数据安全问题：
a.数字病理数据包含敏感的患者信息，可能成为网络攻击的目标。
b. 需要采用强有力的网络安全措施，包括数据加密、访问控制和定期安全审计。
2)患者隐私保护：
a.在数据存储、传输和共享过程中，必须严格遵守隐私保护法规。
b.需要建立清晰的隐私保护政策，确保患者信息在整个生命周期中得到保护。
3.操作和使用风险
1)用户培训和技能要求：
a. 数字病理系统的使用需要一定的技术技能，病理医生和技术人员需要接受培训。
b. 不充分的培训可能导致误操作和诊断错误。
2)依赖自动化分析:
a. 尽管自动化图像分析和人工智能技术可以提高诊断效率，但过度依赖自动化可能导致忽略一些关键的诊断细节。
b. 需要保持人工监督，确保自动化结果的准确性和可靠性。
4. 法规和合规风险
1)法规遵从性：
a. 数字病理系统需要符合各国的医疗设备和数据保护法规。
b. 需要定期进行合规审查，确保系统符合最新的法规要求。
2)责任和法律风险：
a. 数字病理诊断错误可能导致医疗纠纷和法律责任问题。
b. 需要明确责任分工，建立有效的质量控制和纠错机制。
经济和成本风险
1) 初始投资高：
a. 数字病理设备和软件的初始投资较高，可能对中小型医疗机构造成经济压力。
b. 需要进行成本效益分析，确保投资能够带来预期的收益和效益。
2)维护和运营成本：
a. 数字病理系统的维护和运营需要持续投入，包括设备维护、软件更新和人员培训。
b. 需要制定长期的维护和运营计划，确保系统的稳定运行。
参考文献：
Revolutionizing Pathology with Artificial Intelligence: Innovations in Immunohistochemistry
Multiple instance learning for digital pathology: A review of the state-of-the-art, limitations & future potential
Digital Pathology for Better Clinical Practice
Practical guide to the use of digital slides in histopathology education
Digital pathology implementation in cancer diagnostics:towards informed decision-making
Digital Pathology: Transforming Diagnosis in the Digital Age
Artificial intelligence’s impact on breast cancer pathology: a literature review
人工智能在病理诊断中的应用；中华病理学杂志, 2019,48(4) : 338-340.
重视数字病理整体效益 加快数字化病理科建设；中华病理学杂志, 2024,53(2) : 116-120.
一文小结显色原位杂交（CISH）和荧光原位杂交（FISH）的故障及解决方案
