开栏语

国家“十五五”规划纲要提出“有序推动数智技术在辅助诊疗、精准医疗、健康管理、医保服务、养老助残等场景的应用。积极探索运用数智技术提高基层医疗服务能力、促进教育公平，助力基本公共服务均等化。”

    与此同时，四川这片西部热土，正以“创新赋能”为笔，书写着卫生健康新质生产力的答卷。从省委经济工作会议强调的“培育卫生健康新质生产力”，到省政府、省卫生健康工作会对医药健康产业“建圈强链”的部署，一幅“医工融合、数智驱动”的宏伟蓝图正在巴蜀大地徐徐展开。

    即日起，本报开设“智说医疗”栏目，我们将深入探访临床科研一线，看“中国智慧”与“四川创造”如何破解医工融合难题，见证智能与医疗健康、数智与生命绽放的奇迹。

日前，四川大学华西医院刘继彦教授带领其团队联合四川大学华西第二人民医院沈扬眉教授以及西南财经大学刘斌教授团队的一项重磅研究成果《Distinction between primary and metastatic mucinous ovarian carcinoma　 histopathology images using deep learning》在国际权威期刊Nature旗下双一区TOP期刊《npj Digital Medicine》发表，通过深度学习AI模型首次实现了原发性卵巢黏液癌与胃肠道转移性卵巢黏液癌的自动化、高精度鉴别，一举攻克了困扰临床多年的诊断难题。

    这一成果将原本需要5~7天的病理诊断周期缩短至数分钟，更以90　以上的高鉴别准确率刷新了该领域的诊断精度，为全球妇科肿瘤的精准诊疗提供了中国方案，也为数字病理与人工智能的深度融合树立了医工交叉的典范。

临床痛点催生科研突破

“卵巢黏液癌虽属少见肿瘤，但其原发与转移的鉴别诊断却直接决定着患者的治疗方案与生存预后，堪称临床诊断中的‘生死题’。”刘继彦介绍，对于肿瘤患者而言，首次诊断的准确性至关重要。然而，原发性卵巢黏液癌与胃肠道转移性卵巢黏液癌的传统病理鉴别却困难重重。

    沈扬眉也提到，传统方法的病理诊断高度依赖病理医生的经验，不仅对病理医生的专业水平要求很高，还常需借助免疫组化等额外检查，增加诊断成本。更棘手的是两类肿瘤因特征相似，即便经过胃肠镜、高精度CT等检查后仍缺乏胃肠道原发肿瘤的证据，部分病例难以明确诊断，成为临床诊疗的一大痛点。

    如何破题？

    刘继彦、沈扬眉、刘斌带领团队进行三年多的研究，创新性地将数字病理与人工智能结合，通过临床常规的H&E染色切片提取信息，让AI学习并识别其中人类肉眼难以察觉的病理特征。

    从临床问题到科研成果，再到获得国际权威认可，其核心竞争力体现在临床问题精准解决、先进技术融合应用、国际标准严格遵循三大方面。

    而团队最终鉴别结果的高精准性，还得益于对深度学习架构的创新选择。

    传统卷积神经网络架构，模型准确率仅在0.7~0.8之间，难以满足临床需求。在医工交叉团队的反复研讨下，他们发现通过结构感知分层图多实例学习框架（SGMF）能整合不同倍数下病理图像的信息，精准捕捉肿瘤组织的细微结构特征，让模型鉴别准确率实现质的飞跃，最终实现了90　以上的高鉴别准确率。

跨学科协作成科研关键

这一成果的诞生，更是医工交叉、多学科协作的缩影。

    华西第二医院提供病理样本、华西医院分析整合临床和科研数据，西南财经大学统计与数据科学院和临床医生通力合作，将复杂的病理切片和医学指标“翻译”成计算机能读懂的数字语言，这样一支跨学科团队打破了医学与计算机科学的壁垒，直面并解决了研究过程中的多重难题。

    最核心的挑战，则是医学的“灰色地带”与AI“非黑即白”的逻辑冲突——医学诊断中不存在绝对唯一的特征标记，同一病理特征可能出现在不同肿瘤中，而AI需要明确的判断标准。

    对此，团队选择筛选典型病例，让AI学习典型特征，再逐步提炼鉴别关键点，既尊重医学的复杂性，又发挥AI的学习优势。

    “跨学科的核心是各司其职、相互理解。”刘斌表示，临床医生负责提炼临床痛点、把控数据质量、整合分析医工数据，AI专家负责模型架构设计与优化，双方通过数十次线上线下研讨，不断磨合调整，才最终找到解决问题的最优路径。

    这种医工交叉的模式，也为后续的医学科研攻关提供了可借鉴的经验。

AI辅助病理诊断的未来

目前，该AI模型处于探索验证阶段，团队已搭建在线诊断网站和工具，通过持续收集病例、积累数据，不断优化模型精度。

    尽管尚未实现大规模临床应用，但这一成果已实现了“从0到1”的关键突破，为AI在病理诊断领域的应用开辟了新方向。

    刘继彦谈道，这一技术路径不仅可用于卵巢黏液癌的鉴别，未来还将拓展至胆道、胰腺、肺等器官部位的疑难肿瘤的鉴别诊断。

    对于基层医疗机构而言，这一AI工具的落地将带来实质性帮助——基层病理医生因接触病例少，对疑难肿瘤的诊断能力有限，而AI工具可通过扫描普通HE染色病理切片快速给出倾向性诊断意见，起到提示作用，能进一步减少漏诊、误诊等问题出现。

    对于AI病理诊断的未来，在刘继彦看来，其发展仍需解决数据积累、基层落地、成本控制三大问题。一方面，需要更多医疗机构参与多中心合作，积累更大规模的高质量病例数据，让模型更精准、更通用；另一方面，需降低数字扫描系统和AI软件的硬件成本，让基层医院能够负担；同时，还需建立标准化的训练和应用体系，让AI模型真正融入临床诊疗流程。

    从临床痛点到科研突破，从医工交叉到成果落地，华西团队的研究始终围绕“以患者为中心”的核心。正如团队成员所言，“我们的最终目标，是让AI成为医生的‘好帮手’，让精准诊断成为每个肿瘤患者的标配，为患者争取更多的治疗时间和更好的生存预后。”

    这一研究成果，正朝着该目标迈出坚实的步伐，更让人们对医疗AI的未来充满期待。