病理科是医院重要的平台科室，在诊疗过程中扮演着不可或缺的重要角色。病理诊断素有临床诊断“金标准”之称。但由于历史原因，目前病理行业普遍存在工作负荷重，人员严重匮乏且培训不足，诊断能力和规范化水平有待进一步提高。

　　近年来，数字病理与人工智能（artificial intelligence, AI）技术的兴起，为上述病理行业的传统困境与瓶颈提供了新的解决途径及思路。

　　我院病理科汤红平教授团队一直对人工智能病理领域保持着极大的研究兴趣和关注度，凭借国家妇女“两癌”筛查基地以及身处深圳科技创新城市的天然优势，积极寻求人工智能与病理诊断的专业整合与突破。

　　近日，汤红平教授团队参与的哈佛大学人工智能病理大模型研究“A pathology foundation model for cancer diagnosis and prognosis prediction”在国际自然科学顶级期刊Nature（中国科学院/JCR1区Top，影响因子：64.8）发表。

　　该研究开发了一种临床组织病理学人工智能诊断模型（CHIEF），是一种基于自监督和弱监督学习模式下的组织病理学图像分析通用机器学习架构。

　　首先在1500万张公开可用未标记的病理图像上进行自监督预训练，随后通过对包括肺、乳腺、前列腺、结肠直肠、胃、食管、肾、脑、肝、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱等19种组织的超过6万张数字切片图像进行弱监督加强训练。

　　训练模型同时查看图像的特定部分和整个图像，使其能够将一个区域的特定变化与整体背景联系起来。这种方法能通过考虑更广泛背景来更全面地解读图像，而不是仅仅关注某个特定区域。

　　研究结果显示，CHIEF模型在多种癌症类型的检测中表现出色。在包含11种癌症类型的15个数据集上，测试准确率接近94%，其中食道癌、胃癌、结肠癌和前列腺癌等活检数据集中测试准确率可达96%，在乳腺、子宫内膜和子宫颈等妇女肿瘤手术切除标本中诊断测试准确率也超过90%。

　　除了肿瘤诊断，CHIEF能提取出癌症分类、肿瘤来源预测、基因组学预测以及预后分析有意义的病理成像特征以进行全面的癌症评估，实现对癌症的综合评估，比目前常用于癌症诊断的人工智能方法更进一步。

　　2024年，我院人工智能病理诊断合作研究成果频出。除参与上述Nature发表合作研究外，汤红平教授还以共同通讯作者身份在医学图像领域顶级IEEE Trans Med Imaging（中国科学院/JCR 1区Top，影响因子：10.6）合作发表题为“HiCervix: An Extensive Hierarchical Dataset and Benchmark for Cervical Cytology Classification”的研究成果，以共同第一作者身份在另一医学图像研究期刊Comput Biol Med（中国科学院/JCR 3区，影响因子：7.7）合作发表题为“Mesoscopic structure graphs for interpreting uncertainty in non-linear embeddings”的研究成果。

　　此外，3月汤红平教授还应邀参加在美国巴尔的摩举办的117美加病理协会（USCAP）年会，并作题为“Integration of AI-assisted Training in Digital Cervical Cytology: a Comparative Study”的发言汇报。

　　在院领导的关心和支持下，我院病理科团队深耕人工智能研究，不断拓展提升国际合作。未来将继续推进相关研究成果临床转化应用，为医院高水平建设和妇幼健康事业发展贡献更智能更精准的病理力量。