AI在美国病理中的应用现况

在美国，人工智能（AI）在病理学领域的应用正经历着从“理论探索”到“临床常规”的爆发式质变。虽然全美FDA批准的AI医疗设备中70%以上仍集中在放射科，但近两年来，计算病理学（Computational Pathology）正在以极其惊人的速度重构病理科的工作流。
目前，AI在美国病理界的实际落地现况可以总结为以下几个核心维度：
一、 资本与技术大洗牌：巨头加速入局
长久以来，病理科数字化（将玻璃切片扫描为全数字切片 Whole Slide Imaging, WSI）的高昂成本是阻碍AI落地的最大瓶颈。为了打破硬件与软件之间的壁垒，跨国巨头正在大举收购AI顶尖企业：
罗氏（Roche）全面收购 PathAI：作为全球体外诊断巨头，罗氏将 PathAI 及其核心的 ⁠AISight⁠ 数字化病理平台收入囊中，正式将“染色、扫描仪、AI算法”连成了一条龙的商业闭环，试图消灭临床实验室的“多供应商疲劳”。
Tempus AI 收购 Paige：作为全球首个获得FDA De Novo批准的病理AI（Paige Prostate）鼻祖，Paige 被精准医疗巨头 Tempus 收购，标志着病理AI与基因组学大数据、临床电子病历（EHR）进入了更深层次的多模态融合（Multimodal AI）。
二、 FDA 审批从“辅助诊断”迈向“风险分层与伴随诊断”
目前，美国病理AI的应用场景已经从单纯的“帮医生找癌细胞”，升级到了指导肿瘤科医生进行临床决策：
1. 自动辅助质控与筛查（CADe/CADx）
在前列腺癌、乳腺癌、皮肤癌等高发领域，AI作为“第二双眼睛”已经成为流水线的一部分。它能在切片数字化后，自动筛查、标记出疑似恶性的腺体、微小转移灶（如乳腺癌的哨兵淋巴结微转移），并将高级别恶性切片在工作列表中“置顶（Triage）”，大幅缩减病理医生的阅片时间。
2. 独一无二的创新：基于病理图像的风险分层（Prognostic AI）
这是病理AI最令全美医疗界瞩目的新赛道。
标杆产品 ArteraAI 获得了FDA clearance：它通过对常规 H&E（苏木精-伊红）染色切片进行深度学习分析，直接生成AI风险评分。它能预测早期乳腺癌、前列腺癌患者未来发生远处转移的概率，从而帮助临床医生直接决定患者是否可以免除化疗。
颠覆性在于：以前这种预测必须把组织送去进行昂贵的基因检测（如Oncotype DX，需花费数千美元且耗时数周），而AI只需要“看”一眼普通的病理切片，当天就能给出结果，极大降低了商业保险的支付压力。
3. 伴随诊断（Companion Diagnostics）与药物研发
AI开始直接决定患者“能不能用某种靶向药”。罗氏与制药公司联合开发的 VENTANA TROP2 AI辅助诊断设备，能够通过计算病理学捕捉人眼无法量化的蛋白质表达微结构，精准识别出哪些非小细胞肺癌患者能从新型抗体偶联药物（ADC，如 Dato-DXd）中获益。
三、 美国病理医生的真实心态：从“抵触”到“不可或缺”
全美病理医生的短缺（退休潮与工作量剧增）是推动AI普及的根本动力。在2026年全美最具行业风向标的**实验室主管战争学院会议（Executive War College）**上，全美病理专家的态度发生了明显转变：

“AI不是为了替代病理医生，而是为了把医生从无聊的、机械的重复劳动中解放出来。”

目前的标准临床工作流中，AI扮演着以下“打工人”角色：
自动计数：有丝分裂象计数（Mitotic Count）、Ki-67增殖指数计算，以前需要病理医生在显微镜下瞪大眼睛人工数几百个细胞，现在AI两秒钟搞定。
肿瘤分级（Grading）辅助：如乳腺癌的 Nottingham 分级、前列腺癌的 Gleason 评分，AI提供客观的标准参考，大幅降低了不同病理医生之间的“主观诊断差异（Interobserver Variability）”。
四、 行业痛点与落地壁垒
虽然前景广阔，但在全美医院大面积铺开依然面临几个现实挑战：
1. “异地水土不服”问题：最新真实世界数据显示，很多在顶尖医学中心（如纪念斯隆-凯特琳癌症中心）训练出的完美模型，一旦拿到地方普通医院使用，由于切片机品牌不同、染色剂厚度不同，其特异性（精确度）会下降高达24%。为此，FDA现在强制推行 PCCP（预设更改控制计划），允许AI系统在进入新医院后根据本地数据进行微调，而无需重新走繁琐的审批流程。
2. 计费与医保报销（Reimbursement）：目前除了少数带有预测功能的AI（如ArteraAI）能申请到特定的计费代码（CPT Code）外，大多数辅助阅片的AI依然被归为医院的“运营成本”，而不是“可收费项目”，这导致一些中小型独立病理实验室在引进硬件数字化设备时动力不足。
总结而言：
美国的病理AI现况正处于**“地基已扎牢，大厦正在拔地而起”的节点。大语言模型（LLM）驱动的“病理Copilot”和基于成百上千万切片训练的病理大模型（Foundation Models）**已经进入临床早期试用。病理科正在彻底告别单纯依赖光学显微镜的传统时代，向着多模态、高度数字化的定量计算科学演进。