MaltSci 麦伴科研

Appearance

热门主题报告 / 交叉前沿

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

人工智能在数字病理学中的应用如何？ ​

摘要 ​

随着人工智能（AI）技术的迅速发展，数字病理学作为一种新兴的医学影像分析方法，正逐渐改变传统病理学的工作流程和诊断方式。数字病理学通过高分辨率的数字图像替代传统的玻璃切片，使病理学家能够在计算机上进行图像分析和诊断。AI的引入，尤其是深度学习算法的应用，为数字病理学带来了前所未有的机遇，提高了图像分析的准确性和效率，帮助病理学家在短时间内做出更为精准的诊断。研究表明，AI不仅能够提升诊断的准确性，还在肿瘤检测、组织分类和预后评估等多个方面发挥重要作用。尽管AI在数字病理学中的应用已取得显著进展，但仍面临数据质量、样本偏倚、法规与伦理等挑战。未来的发展趋势将集中在技术进步与创新，推动AI在临床应用中的广泛整合，提升患者的医疗质量。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 AI技术在数字病理学中的基础
    • 2.1 数字病理学概述
    • 2.2 AI技术概述
  • 3 AI在数字病理学中的应用
    • 3.1 肿瘤检测与分类
    • 3.2 组织样本分析
    • 3.3 预后评估
  • 4 面临的挑战与局限性
    • 4.1 数据质量与样本偏倚
    • 4.2 法规与伦理问题
  • 5 未来发展趋势
    • 5.1 技术进步与创新
    • 5.2 临床应用前景
  • 6 总结

1 引言 ​

随着人工智能（AI）技术的迅速发展，数字病理学作为一种新兴的医学影像分析方法，正逐渐改变传统病理学的工作流程和诊断方式。数字病理学通过高分辨率的数字图像替代传统的玻璃切片，使病理学家能够在计算机上进行图像分析和诊断。这种转变不仅提高了病理学家的工作效率，还为疾病的早期检测和准确诊断提供了新的可能性。近年来，AI技术，尤其是深度学习算法的引入，为数字病理学带来了前所未有的机遇，使得图像分析的准确性和效率显著提升，帮助病理学家在短时间内做出更为精准的诊断[1][2]。

研究数字病理学与AI结合的意义在于，随着全球对病理学家需求的增加和专业人员短缺问题的加剧，AI可以作为一种有效的决策支持工具，帮助病理学家应对日益增长的工作负担[3]。AI的应用不仅限于提高诊断的准确性，还可以在肿瘤检测、组织分类和预后评估等多个方面发挥重要作用[4][5]。通过深入分析现有文献，我们可以更好地理解AI在数字病理学中的应用现状、面临的挑战以及未来的发展趋势。

当前，数字病理学的研究已取得显著进展，尤其是在AI技术的支持下，图像分析的自动化和智能化程度不断提高。例如，AI已被广泛应用于肿瘤的检测与分类、组织样本的分析以及疾病预后的评估[6][7]。尽管如此，AI在数字病理学中的实际应用仍面临诸多挑战，包括数据质量与样本偏倚、法规与伦理问题等[3][6]。这些挑战不仅影响了AI技术的推广和应用，也在一定程度上限制了其在临床实践中的有效性。

本综述报告将围绕AI在数字病理学中的应用展开，具体内容组织如下：首先，我们将介绍数字病理学和AI技术的基础，概述其发展历程和现状；其次，探讨AI在肿瘤检测与分类、组织样本分析和预后评估等具体应用场景；然后，分析AI在数字病理学中面临的挑战与局限性，包括数据质量、法规及伦理问题；最后，展望未来的发展趋势，讨论技术进步与临床应用前景。通过对这些内容的系统梳理与分析，我们希望为读者提供一个全面的视角，深入理解AI在数字病理学中的重要性及其未来发展方向。

2 AI技术在数字病理学中的基础 ​

2.1 数字病理学概述 ​

人工智能（AI）在数字病理学中的应用正在迅速发展，并且对病理学的诊断和治疗规划产生了深远的影响。数字病理学利用数字图像处理技术，将传统的显微镜检查转变为数字化的工作流程，使得病理学家能够通过计算机对组织切片进行分析。这一转变不仅提高了诊断的速度和准确性，还使得病理学家能够处理大量的数据。

AI在数字病理学中的具体应用包括：

  1. 图像分析与诊断支持：AI算法，特别是机器学习和深度学习技术，能够分析数字化的全切片图像，识别病变和分类疾病。例如，AI可以在血液病学中用于分类和治疗指导，通过分析外周血图像和骨髓图像，辅助病理学家进行更快速和准确的诊断（Lin et al. 2023）[8]。

  2. 提高工作效率：通过自动化图像分析，AI能够帮助病理学家在繁重的工作负担下，提升工作效率。AI工具能够快速处理和分析大量的图像数据，从而减少诊断的周转时间，并支持病理学家更快地做出决策（Reis-Filho & Kather 2023）[3]。

  3. 生物标志物的提取：AI还可以从组织切片中直接提取预后和预测生物标志物，这为肿瘤学提供了重要支持。通过对AI的应用，病理学家能够更好地理解肿瘤微环境，从而为患者选择最合适的治疗方案（Baxi et al. 2022）[9]。

  4. 克服数据和技术障碍：尽管AI在数字病理学中展现出巨大的潜力，但在发展和应用过程中仍面临诸多挑战，如缺乏标准化的图像采集和分析方法、有限的标注数据集、以及病理学家在计算技术方面的专业知识不足等。解决这些问题需要病理学家与计算机科学家及其他专家的合作（Del Valle 2025）[10]。

  5. 伦理和合规性问题：AI的应用也带来了伦理挑战，特别是在医生与患者关系方面。病理学家有责任向患者解释使用AI工具的准确性、优势和局限性，以建立透明度和信任，确保患者能够做出知情的决策（Sulaieva et al. 2024）[11]。

综上所述，AI在数字病理学中的应用正处于快速发展之中，能够显著提升诊断的准确性和效率，同时也面临着数据隐私、算法偏见等挑战。随着技术的不断进步，AI有望在未来进一步优化病理学的实践，提高患者的医疗质量。

2.2 AI技术概述 ​

人工智能（AI）在数字病理学中的应用正日益成为一个重要的研究和临床实践领域。数字病理学通过将传统的显微镜图像数字化，使病理学家能够更高效地分析和诊断样本。而AI技术则为这一过程提供了强大的支持，主要体现在以下几个方面。

首先，AI能够帮助病理学家处理和分析大量的数字图像数据。随着高通量分子技术的发展，数字病理学产生了前所未有的数据量，AI技术在提取复杂数据结构中的相关信息方面展现出巨大潜力。这些技术可以用于诊断辅助、分类、治疗指南的制定等多种应用[12]。例如，CellaVision和Morphogo等基于AI的自动化数字图像分析系统，能够提高血液病的诊断效率和准确性[8]。

其次，AI的应用有助于提高病理学的工作效率和准确性。AI可以通过分析数字全片图像，支持病理学家提供及时且准确的诊断，并帮助肿瘤科医生从组织切片中直接提取预后和预测生物标志物[3]。这不仅能减轻病理学家的工作负担，还能在临床决策中提供更为可靠的数据支持。

然而，AI在数字病理学的实施也面临着一些挑战，包括算法的可解释性和数据隐私问题。许多当前表现最佳的AI算法被视为“黑箱”，即使是开发者也常常不清楚算法为何会得出某个结果，这在医学领域尤为重要，因为了解算法决策的依据对于避免错误和对患者造成不利影响至关重要[13]。此外，AI系统的使用还可能引入隐性偏见，影响诊断结果的公正性[14]。

为了克服这些挑战，研究者们正在探索解释性AI（XAI）技术，以提高AI系统的透明度，并使其结果对医疗专家更具可理解性[13]。此外，标准化的培训和验证集、数字幻灯片库和AI增强的诊断工具的使用也被认为是促进AI在病理学中成功应用的重要策略[15]。

总的来说，AI在数字病理学中的应用正逐步改变传统病理学的工作流程，推动精准医学的发展。通过与病理学家、计算机科学家等专业人士的合作，未来AI有望在提升患者诊断和治疗效果方面发挥更大的作用[10]。

3 AI在数字病理学中的应用 ​

3.1 肿瘤检测与分类 ​

人工智能（AI）在数字病理学中的应用，尤其是在肿瘤检测与分类方面，正在快速发展并展现出巨大的潜力。AI技术的进步，特别是深度学习（DL）算法的应用，使得在肿瘤病理学中的各种任务得以实现，包括肿瘤的诊断、分型、分级、分期以及预后预测等。

首先，AI在数字病理学中通过图像分析技术显著提高了肿瘤检测的准确性和效率。AI工具能够自动化地识别和分类肿瘤，进而帮助病理学家快速做出诊断。例如，数字病理学的应用允许对病理图像进行高效的处理，AI可以分析整个切片图像，检测肿瘤细胞的存在及其特征，进而进行肿瘤分级和预后评估[16]。

其次，AI在肿瘤分类中也发挥着重要作用。通过深度学习算法，AI可以从大量的病理图像中学习识别特定的病理特征，并基于这些特征对肿瘤进行分类。这不仅提高了分类的客观性，还减少了病理学家的工作负担，使他们能够将更多时间用于高层次的决策任务[17]。AI还能够识别预后相关的分子生物标志物，从而为个性化治疗提供支持[16]。

然而，AI在数字病理学中的应用仍面临一些挑战。首先，数据的可用性和标注的准确性是实现AI有效应用的关键。缺乏足够的标注数据会限制AI算法的训练和验证，影响其在临床中的表现。此外，AI模型的可解释性也是一个重要问题，许多深度学习模型被视为“黑箱”，使得临床医生难以理解其决策过程[4]。还有，临床工作流中对AI的接受度以及相关的监管和伦理问题也亟待解决[16]。

尽管如此，AI在数字病理学中的潜力依然不可小觑。随着技术的不断进步和研究的深入，AI有望在肿瘤检测与分类中发挥更大的作用，推动癌症管理和精准医疗的未来发展。AI的集成将不仅提升肿瘤诊断的准确性和效率，还可能促进个性化治疗策略的开发，改变肿瘤患者的治疗和预后[4][16]。

3.2 组织样本分析 ​

人工智能（AI）在数字病理学中的应用正逐步改变肿瘤学研究和癌症诊断的方式。数字病理学（Digital Pathology, DP）是将病理图像数字化的过程，这一过程为AI的应用提供了基础。AI在组织样本分析中的主要应用包括图像的自动解读、标志物的量化、以及新型生物标志物的发现等。

AI技术通过深度学习卷积神经网络（Deep Learning Convolutional Neural Networks, CNNs）和多实例学习（Multiple Instance Learning）等方法，能够更好地解析组织样本的形态特征，提升标志物的量化精度，并引入新的概念用于发现和诊断。这些技术在肿瘤检测和分级、标志物量化以及基于图像的治疗预测和预后评估中展现出巨大潜力[4]。

在具体应用方面，AI能够帮助病理学家在数字全切片图像中快速准确地检测出微小的肿瘤细胞聚集，尤其是在淋巴结中的转移病灶。此外，AI还可以处理复杂的组织学发现，例如鉴别非常良性分化的癌症与正常上皮组织的相似性[18]。通过AI算法的应用，病理学家在评分免疫组化标志物（如HER2和PD-L1）时能够做出更精确的判断，从而支持靶向治疗的决策[18]。

AI的引入不仅提升了病理学的诊断准确性，还推动了生物标志物的开发。研究表明，AI辅助的分析可以减少病理学家之间的解读不一致性，并能更准确地预测临床结果[18]。在癌症微环境的AI辅助分析中，肿瘤浸润淋巴细胞的分布被发现与免疫检查点抑制剂治疗的反应相关，这进一步强调了AI作为生物标志物的潜在价值[18]。

此外，AI在数字病理学中的应用还包括对治疗反应的预测，研究显示，能够直接从常规病理切片中预测治疗反应被认为是最具前景的应用之一[19]。这种AI驱动的能力使得病理学在临床试验中的应用开始转变，从而推动新一代复杂生物标志物的开发，帮助癌症患者获得更好的治疗选择[4]。

总的来说，AI在数字病理学中的应用正在不断拓展，其在组织样本分析中的能力不仅提高了诊断效率，还为精准医疗提供了新的可能性。随着技术的进步，AI在临床应用中的潜力将进一步得到释放，改变传统病理学的工作流程和患者管理方式。

3.3 预后评估 ​

人工智能（AI）在数字病理学中的应用，特别是在预后评估方面，展现出巨大的潜力。数字病理学利用全切片图像（WSI）扫描仪和AI算法，对组织切片中的表型信息进行挖掘和量化。这些信息能够预测患者的预后，帮助医生在癌症诊断后快速进行患者分层和制定最佳治疗方案，从而改善患者的预后[20]。

AI算法能够识别肿瘤微环境（TME）中的图像生物标志物，这一能力可能会彻底改变肿瘤学领域的工作方式。通过数字病理学和AI的结合，病理学家可以在处理日益增加的工作负担时，获得更快且更准确的诊断和预后评估。这不仅提高了效率，也为肿瘤学家直接从组织切片中提取预后和预测生物标志物提供了支持[3]。

尽管AI在数字病理学中的应用前景广阔，但在临床环境中的广泛采用仍面临伦理、监管和技术等挑战。研究表明，进行前瞻性试验可能会增强信心，促进AI技术的应用，从而减少从诊断到预后确定的延迟，提高患者的整体治疗效果[20]。

此外，数字病理学与AI的结合不仅限于乳腺癌的预后评估。传统病理学方法已经开始向数字化和量化的方向转变，AI的引入使得病理学家能够超越人类视觉的局限，更深入地理解肿瘤微环境。AI技术的应用使得在癌症患者的预后评估和治疗选择中，能够更准确地识别和选择生物标志物[9]。

在具体的研究中，例如一项关于乳腺癌的试点研究显示，利用计算机算法的帮助，病理学家在微转移瘤的检测中，敏感性从83.3%提高到91.2%[21]。这表明AI在提高病理诊断准确性和效率方面具有重要的临床应用价值。

综上所述，AI在数字病理学中的应用，尤其是在预后评估方面，能够显著提高病理学的诊断效率和准确性，推动个性化医疗的发展。然而，为了实现这一潜力，仍需克服多种挑战，包括技术的标准化和临床应用的广泛推广。

4 面临的挑战与局限性 ​

4.1 数据质量与样本偏倚 ​

在数字病理学中，人工智能（AI）的应用正在快速发展，但同时也面临着诸多挑战与局限性，尤其是在数据质量与样本偏倚方面。

首先，AI在数字病理学中的应用主要集中在通过深度学习算法分析数字化的组织切片图像，以提高诊断的准确性和效率。这些应用包括肿瘤细胞的分割、淋巴结转移的检测、肿瘤细胞计数及基因突变的预测等[2]。然而，这些AI模型的性能在很大程度上依赖于所使用的数据集的质量和多样性。当前，许多AI系统的训练数据可能存在代表性不足的问题，导致模型在真实世界应用中的效果不佳[14]。

具体而言，样本偏倚是AI在数字病理学应用中的一大难题。由于训练数据的多样性不足，AI模型可能无法适应不同人群、不同疾病表现或不同实验室条件下的数据。这种偏倚可能导致AI在某些情况下产生不准确的结果，从而影响临床决策[5]。例如，如果一个AI模型主要基于某一特定人群的数据进行训练，它在其他人群中的应用可能会产生偏差，从而影响其在临床上的普适性和可靠性[14]。

此外，数据的标注质量也是影响AI性能的关键因素。缺乏充分注释的数据集使得AI模型的开发和验证变得困难[2]。在临床实践中，许多病理图像可能未经过严格的标准化处理，导致AI在分析时面临额外的挑战。正如一些研究所指出的，AI在解读病理图像时，往往需要人类病理学家的监督，以确保结果的准确性[22]。

在解决这些挑战方面，研究者们提出了一些策略，包括开发更大、更具代表性的注释数据集、加强对AI模型的解释性和透明性，以及通过人机协作提高模型的有效性[10][22]。然而，克服这些问题需要跨学科的合作，包括病理学家、计算机科学家和临床医生之间的密切合作，以推动AI在数字病理学中的有效应用和转化[10]。

综上所述，尽管AI在数字病理学中具有巨大的潜力，但在数据质量和样本偏倚等方面的挑战仍需认真对待，以确保其在临床应用中的有效性和可靠性。

4.2 法规与伦理问题 ​

人工智能（AI）在数字病理学中的应用正逐渐成为一个重要的研究领域，尤其是在提高诊断效率和准确性方面。AI技术的进步使得病理学家能够在数字化的病理图像上进行更高效的工作。然而，AI在数字病理学的实施面临着诸多挑战与局限性，特别是在法规和伦理问题方面。

首先，AI在数字病理学的应用面临着算法验证和可解释性的问题。尽管AI能够在图像分析中提供帮助，但当前许多AI模型仍然被视为“黑箱”，其决策过程缺乏透明度，难以解释[23]。此外，数据隐私问题也是一个重要的挑战，尤其是在涉及患者敏感信息时，如何保护这些数据并确保其在AI训练中的合规性至关重要[24]。

在法规方面，随着AI技术的快速发展，相关的监管框架也在不断演变。当前，许多国家的监管机构正在制定与AI相关的法规，以确保这些技术的安全和有效使用。例如，美国食品药品监督管理局（FDA）正在建立数字病理学设备和实验室开发测试的监管标准，以促进AI工具的临床采用[5]。然而，现有的法规往往滞后于技术的发展，导致许多AI应用在临床实践中难以获得批准和使用。

伦理问题也是AI在数字病理学中不可忽视的方面。AI的应用可能影响医生与患者之间的关系，尤其是在患者知情权方面。医生有责任向患者说明AI工具的使用情况，包括其准确性、优势和局限性，以及如何保护患者隐私[11]。此外，患者对AI技术的信任也是成功实施的关键因素之一。缺乏透明度和对AI工具的误解可能会削弱患者的信任，从而影响其对治疗决策的参与度[15]。

最后，AI在数字病理学的成功实施需要解决多方面的挑战，包括标准化图像采集和分析、建立大规模标注数据集的可用性以及病理学家对计算技术的掌握程度[10]。通过跨学科的合作和技术创新，可以克服这些障碍，推动AI在数字病理学中的广泛应用，从而提高患者的诊断和治疗效果。

5 未来发展趋势 ​

5.1 技术进步与创新 ​

人工智能（AI）在数字病理学中的应用正在快速发展，技术进步与创新为这一领域带来了许多机遇和挑战。近年来，数字病理学的进步为AI的集成提供了广阔的平台，特别是在图像分析和决策支持方面，这些技术的应用展示了AI在病理学诊断中的潜力。

首先，AI在数字病理学中的主要应用包括对数字全切片图像的分析，以支持病理学家在提供及时和准确的诊断方面的工作。AI技术可以通过自动化分析图像来提高诊断的速度和准确性。例如，某些研究表明，AI可以帮助病理学家在乳腺癌的诊断中提高敏感性，从83.3%提升至91.2%[21]。此外，AI在血液学和淋巴系统疾病的诊断中也显示出显著的应用前景，如通过流式细胞术进行辅助测试[1]。

其次，AI的技术进步使得这些工具在临床实践中的应用变得更加可行。随着FDA批准多种数字扫描仪和图像管理系统的上市，这些技术为病理工作流程的无缝集成奠定了基础[5]。AI的进步不仅体现在算法的精确性上，还体现在其能够处理和分析大规模数据的能力上，从而为病理学家提供更强大的决策支持[12]。

然而，尽管AI在数字病理学中展现出巨大的潜力，实际应用中仍面临许多挑战。当前，AI的采纳速度相对较慢，尤其是与放射学等其他领域相比[3]。一些主要障碍包括数据隐私问题、算法偏见以及对AI系统的验证和可解释性需求[23]。此外，适当的监管框架也在不断演变，以适应这些创新并确保其安全性和可靠性[5]。

展望未来，AI在数字病理学中的发展趋势可能包括更广泛的临床应用，尤其是在个性化医疗和精准医学的背景下。AI的进步将推动病理学的转型，支持病理学家和肿瘤学家在提供更精准的诊断和治疗决策方面[25]。同时，随着技术的不断成熟，AI有望在提高诊断效率和准确性方面发挥更为重要的作用，为患者提供更优质的医疗服务。

综上所述，AI在数字病理学中的应用正处于快速发展的阶段，技术进步与创新为这一领域带来了新的机遇，同时也提出了需要克服的挑战。未来，随着这些问题的解决，AI有望在病理学的日常实践中发挥越来越重要的作用。

5.2 临床应用前景 ​

人工智能（AI）在数字病理学中的应用正在快速发展，特别是在临床应用方面展现出巨大的潜力。AI技术的引入旨在优化病理学工作流程，提高诊断的准确性和效率。近年来，随着数字病理学技术的进步，AI的应用已经在多个领域取得了显著成效。

首先，AI在数字病理学中的主要应用之一是图像分析。这包括对数字切片的自动化处理与分析，能够辅助病理学家在血液学和肿瘤学等领域进行更快速、准确的诊断。例如，AI应用已经被用于诊断血液肿瘤（如白血病和淋巴瘤），并能够进行流式细胞术等辅助检测[1]。此外，AI技术能够自动化处理形态学诊断，尤其是在前列腺癌和结直肠癌的筛查中，这种自动化有助于提高诊断的一致性并减少人为错误[5]。

其次，AI还被应用于提取组织切片中的预后和预测生物标志物，这为肿瘤学家提供了支持，帮助他们做出及时和准确的诊断[3]。这种能力的提升使得AI不仅限于辅助诊断，还扩展到了个性化医疗的领域。

在未来的发展趋势中，AI在数字病理学的应用将越来越普遍。随着技术的不断进步，预计将会有更多的AI工具被整合进日常病理工作流程中，从而提升病理学家的工作效率[8]。例如，CellaVision和Morphogo等自动化数字图像分析系统正逐渐被采用，以加速血液病的诊断流程[8]。

然而，尽管AI在数字病理学中的应用前景广阔，但仍然面临一些挑战，包括数据隐私问题、算法偏见以及对AI模型的可解释性需求[5]。此外，监管框架的演变也将影响AI工具的临床采用，相关机构正在制定政策以促进数字病理学的远程审查和诊断[5]。

综上所述，AI在数字病理学中的应用正处于快速发展之中，未来有望通过不断的技术创新和临床整合，提升诊断精度和效率，最终改善患者护理。随着这些技术的逐步成熟，AI将可能成为病理学日常实践中不可或缺的一部分，推动病理学向更高的标准迈进[23][25]。

6 总结 ​

本综述报告总结了人工智能（AI）在数字病理学中的应用现状及其面临的挑战。AI技术在数字病理学中通过图像分析和自动化处理显著提高了诊断的准确性和效率，尤其在肿瘤检测、组织样本分析和预后评估等方面展现了巨大的潜力。然而，数据质量与样本偏倚、法规与伦理问题等挑战仍然存在，影响了AI在临床实践中的推广和应用。未来的研究应聚焦于改善数据集的多样性和质量、提高AI模型的可解释性，以及建立健全的监管框架，以推动AI技术的有效应用。此外，随着技术的不断进步，AI有望在个性化医疗和精准医学的背景下，进一步优化病理学的实践，提高患者的医疗质量和治疗效果。

参考文献 ​

  • [1] Ahmad Nanaa;Zeynettin Akkus;Winston Y Lee;Liron Pantanowitz;Mohamed E Salama. Machine learning and augmented human intelligence use in histomorphology for haematolymphoid disorders.. Pathology(IF=3.0). 2021. PMID:33642096. DOI: 10.1016/j.pathol.2020.12.004.
  • [2] Taro Sakamoto;Tomoi Furukawa;Kris Lami;Hoa Hoang Ngoc Pham;Wataru Uegami;Kishio Kuroda;Masataka Kawai;Hidenori Sakanashi;Lee Alex Donald Cooper;Andrey Bychkov;Junya Fukuoka. A narrative review of digital pathology and artificial intelligence: focusing on lung cancer.. Translational lung cancer research(IF=3.5). 2020. PMID:33209648. DOI: 10.21037/tlcr-20-591.
  • [3] Jorge S Reis-Filho;Jakob Nikolas Kather. Overcoming the challenges to implementation of artificial intelligence in pathology.. Journal of the National Cancer Institute(IF=7.2). 2023. PMID:36929936. DOI: 10.1093/jnci/djad048.
  • [4] Alice Geaney;Paul O'Reilly;Perry Maxwell;Jacqueline A James;Darragh McArt;Manuel Salto-Tellez. Translation of tissue-based artificial intelligence into clinical practice: from discovery to adoption.. Oncogene(IF=7.3). 2023. PMID:37875656. DOI: 10.1038/s41388-023-02857-6.
  • [5] David Y Zhang;Arsha Venkat;Hamdi Khasawneh;Rasoul Sali;Valerio Zhang;Zhiheng Pei. Implementation of Digital Pathology and Artificial Intelligence in Routine Pathology Practice.. Laboratory investigation; a journal of technical methods and pathology(IF=4.2). 2024. PMID:39053633. DOI: 10.1016/j.labinv.2024.102111.
  • [6] Paul J van Diest;Rachel N Flach;Carmen van Dooijeweert;Seher Makineli;Gerben E Breimer;Nikolas Stathonikos;Paul Pham;Tri Q Nguyen;Mitko Veta. Pros and cons of artificial intelligence implementation in diagnostic pathology.. Histopathology(IF=4.1). 2024. PMID:38433288. DOI: 10.1111/his.15153.
  • [7] Faranak Sobhani;Ruth Robinson;Azam Hamidinekoo;Ioannis Roxanis;Navita Somaiah;Yinyin Yuan. Artificial intelligence and digital pathology: Opportunities and implications for immuno-oncology.. Biochimica et biophysica acta. Reviews on cancer(IF=8.3). 2021. PMID:33561505. DOI: 10.1016/j.bbcan.2021.188520.
  • [8] Elisa Lin;Franklin Fuda;Hung S Luu;Andrew M Cox;Fengqi Fang;Junlin Feng;Mingyi Chen. Digital pathology and artificial intelligence as the next chapter in diagnostic hematopathology.. Seminars in diagnostic pathology(IF=3.5). 2023. PMID:36801182. DOI: 10.1053/j.semdp.2023.02.001.
  • [9] Vipul Baxi;Robin Edwards;Michael Montalto;Saurabh Saha. Digital pathology and artificial intelligence in translational medicine and clinical practice.. Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc(IF=5.5). 2022. PMID:34611303. DOI: 10.1038/s41379-021-00919-2.
  • [10] Andrea C Del Valle. Leveraging digital pathology and AI to transform clinical diagnosis in developing countries.. Frontiers in medicine(IF=3.0). 2025. PMID:41080952. DOI: 10.3389/fmed.2025.1657679.
  • [11] Oksana Sulaieva;Oleksandr Dudin;Olena Koshyk;Mariia Panko;Nazarii Kobyliak. Digital pathology implementation in cancer diagnostics: towards informed decision-making.. Frontiers in digital health(IF=3.8). 2024. PMID:38873358. DOI: 10.3389/fdgth.2024.1358305.
  • [12] Charlotte Syrykh;Michiel van den Brand;Jakob Nikolas Kather;Camille Laurent. Role of artificial intelligence in haematolymphoid diagnostics.. Histopathology(IF=4.1). 2025. PMID:39435690. DOI: 10.1111/his.15327.
  • [13] Markus Plass;Michaela Kargl;Tim-Rasmus Kiehl;Peter Regitnig;Christian Geißler;Theodore Evans;Norman Zerbe;Rita Carvalho;Andreas Holzinger;Heimo Müller. Explainability and causability in digital pathology.. The journal of pathology. Clinical research(IF=3.7). 2023. PMID:37045794. DOI: 10.1002/cjp2.322.
  • [14] Keisuke Nakagawa;Lama Moukheiber;Leo A Celi;Malhar Patel;Faisal Mahmood;Dibson Gondim;Michael Hogarth;Richard Levenson. AI in Pathology: What could possibly go wrong?. Seminars in diagnostic pathology(IF=3.5). 2023. PMID:36882343. DOI: 10.1053/j.semdp.2023.02.006.
  • [15] Lewis A Hassell;Marika L Forsythe;Ami Bhalodia;Thanh Lan;Tasnuva Rashid;Astin Powers;Marilyn M Bui;Arlen Brickman;Qiangqiang Gu;Andrey Bychkov;Ian Cree;Liron Pantanowitz. Toward Optimizing the Impact of Digital Pathology and Augmented Intelligence on Issues of Diagnosis, Grading, Staging, and Classification.. Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc(IF=5.5). 2025. PMID:40204094. DOI: 10.1016/j.modpat.2025.100765.
  • [16] A Marra;S Morganti;F Pareja;G Campanella;F Bibeau;T Fuchs;M Loda;A Parwani;A Scarpa;J S Reis-Filho;G Curigliano;C Marchiò;J N Kather. Artificial intelligence entering the pathology arena in oncology: current applications and future perspectives.. Annals of oncology : official journal of the European Society for Medical Oncology(IF=65.4). 2025. PMID:40307127. DOI: 10.1016/j.annonc.2025.03.006.
  • [17] Yahui Jiang;Meng Yang;Shuhao Wang;Xiangchun Li;Yan Sun. Emerging role of deep learning-based artificial intelligence in tumor pathology.. Cancer communications (London, England)(IF=24.9). 2020. PMID:32277744. DOI: 10.1002/cac2.12012.
  • [18] Sangjoon Choi;Seokhwi Kim. Artificial Intelligence in the Pathology of Gastric Cancer.. Journal of gastric cancer(IF=3.8). 2023. PMID:37553129. DOI: 10.5230/jgc.2023.23.e25.
  • [19] Céline N Heinz;Amelie Echle;Sebastian Foersch;Andrey Bychkov;Jakob Nikolas Kather. The future of artificial intelligence in digital pathology - results of a survey across stakeholder groups.. Histopathology(IF=4.1). 2022. PMID:35373378. DOI: 10.1111/his.14659.
  • [20] Christine McCaffrey;Chowdhury Jahangir;Clodagh Murphy;Caoimbhe Burke;William M Gallagher;Arman Rahman. Artificial intelligence in digital histopathology for predicting patient prognosis and treatment efficacy in breast cancer.. Expert review of molecular diagnostics(IF=3.6). 2024. PMID:38655907. DOI: 10.1080/14737159.2024.2346545.
  • [21] Sebastian Försch;Frederick Klauschen;Peter Hufnagl;Wilfried Roth. Artificial Intelligence in Pathology.. Deutsches Arzteblatt international(IF=7.1). 2021. PMID:34024323. DOI: .
  • [22] Zhi Huang;Eric Yang;Jeanne Shen;Dita Gratzinger;Frederick Eyerer;Brooke Liang;Jeffrey Nirschl;David Bingham;Alex M Dussaq;Christian Kunder;Rebecca Rojansky;Aubre Gilbert;Alexandra L Chang-Graham;Brooke E Howitt;Ying Liu;Emily E Ryan;Troy B Tenney;Xiaoming Zhang;Ann Folkins;Edward J Fox;Kathleen S Montine;Thomas J Montine;James Zou. A pathologist-AI collaboration framework for enhancing diagnostic accuracies and efficiencies.. Nature biomedical engineering(IF=26.6). 2025. PMID:38898173. DOI: 10.1038/s41551-024-01223-5.
  • [23] Inho Kim;Kyungmin Kang;Youngjae Song;Tae-Jung Kim. Application of Artificial Intelligence in Pathology: Trends and Challenges.. Diagnostics (Basel, Switzerland)(IF=3.3). 2022. PMID:36428854. DOI: 10.3390/diagnostics12112794.
  • [24] Francis McKay;Bethany J Williams;Graham Prestwich;Daljeet Bansal;Nina Hallowell;Darren Treanor. The ethical challenges of artificial intelligence-driven digital pathology.. The journal of pathology. Clinical research(IF=3.7). 2022. PMID:35174655. DOI: 10.1002/cjp2.263.
  • [25] Arpit Aggarwal;Satvika Bharadwaj;Germán Corredor;Tilak Pathak;Sunil Badve;Anant Madabhushi. Artificial intelligence in digital pathology - time for a reality check.. Nature reviews. Clinical oncology(IF=82.2). 2025. PMID:39934323. DOI: 10.1038/s41571-025-00991-6.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

人工智能 · 数字病理学 · 深度学习 · 肿瘤检测 · 预后评估

© 2025 MaltSci 麦伴科研