病理AI模型鲁棒性存疑：最新研究揭示四大前沿趋势

本期摘要

病理基础模型存在漏洞：德国团队研发了PathoROB鲁棒性测试工具，测试了20种主流模型，发现其鲁棒性指数仅为0.446至0.861，肿瘤诊断准确率在相同训练数据下可从92%暴跌至53%至87%，因此呼吁鲁棒性评估应作为临床准入的先决条件。

乳腺癌化疗效果预测：华西医院等机构研发了基于Mamba架构的化疗疗效预测模型MCEN，利用1646例穿刺切片来预测新辅助化疗效果，在外部验证中AUROC达到0.761至0.809，结合临床信息后提升至0.773至0.840。

肺癌AI诊断可信度框架：香港团队推出了以可信度和不确定性感知为核心的端到端癌症诊断框架TRUECAM，通过神经高斯过程识别陌生图像并控制误诊风险，无需修改底层模型即可提升分类准确率、鲁棒性和可解释性，降低了对标注数据的依赖。

肝纤维化表型解析：英国团队构建了可解释AI框架，能从天狼星红染色切片自动识别多种胶原沉积表型CDPs，部分表型与肝功能和基质重塑通路相关，研究团队已开源了模型工具。

一、Nat Commun. 数字病理基础模型临床安全性引担忧

德国研究团队近期在《自然·通讯》发表了一项关键研究，指出当前主流的数字病理基础模型在临床应用中存在严重安全隐患。团队创建了PathoROB基准测试工具，首次系统评估了模型对非生物学特征（如实验室操作流程差异、扫描仪硬件变动）的鲁棒性。

研究覆盖了CONCH、UNI、Virchow2、Atlas等20个知名模型，利用来自34个医学中心的近10万个病理图像补丁进行测试。结果显示，所有模型的鲁棒性指数仅在0.446至0.861之间，远未达到理想值1.0。更令人警醒的是，在完全一致的训练数据条件下，肿瘤检测准确率从92%以上骤降至53%至87%不等。这意味着，即便模型在开发环境中表现优异，一旦部署到不同医疗机构，设备或操作流程的微小变化就可能诱发严重诊断偏差。

不过，研究也带来积极信号：视觉-语言联合模型（如CONCH）的鲁棒性显著优于纯视觉模型，而大规模预训练能有效增强模型稳定性。研究团队呼吁，鲁棒性评估应成为病理AI临床获批前的“必修课”，该基准也为其他医学影像领域的可靠性验证提供了可复制范本。

二、NPJ Digit Med. 新AI模型精准预测乳腺癌化疗疗效

四川大学华西医院联合盛京医院等中心，在NPJ Digital Medicine发表开创性研究：首次将Mamba状态空间模型引入病理学，构建了MCEN（Mamba-based Chemotherapy Efficacy prediction using Needle biopsy，基于Mamba的穿刺活检化疗疗效预测）模型，用于预测乳腺癌新辅助化疗疗效。

该模型基于1646例乳腺癌患者穿刺活检的全切片图像进行训练，数据来自5家三甲医院。在内部验证集中，MCEN的AUROC达到0.78；在多个外部测试集上，AUROC为0.761至0.809。当整合临床病理信息后，外部测试AUROC进一步提升至0.773至0.840。

Mamba架构是继Transformer之后的新一代序列建模架构，其最大优势在于线性时间复杂度——这意味着它在处理亿级像素的全切片图像时，计算效率远优于Transformer的二次复杂度。该研究从方法创新到数据规模再到临床验证，形成了完整的研究闭环，是国内团队在病理AI领域的一项代表性工作。

三、Nat Biomed Eng. 新框架提升肺癌AI诊断可信度

香港研究团队推出TRUECAM （Trustworthiness-focused, Uncertainty-aware, End-to-end Cancer diagnosis with Model-agnostic capabilities）以可信度为核心、具备不确定性感知、端到端、模型无关的癌症诊断框架的智能框架，专为解决病理AI在肺癌亚型诊断中的“信任危机”而设计。

该框架从数据和模型两端入手：通过神经高斯过程识别“陌生”图像输入，剔除高度模糊的组织区域，并引入合规预测控制误诊风险。在多个癌症数据集上，无论搭配专用模型还是通用基础模型，TRUECAM均显著提升了分类准确率、鲁棒性、可解释性及公平性，同时减少了对大量标注数据的依赖。

这一无需改动底层模型的“即插即用”方案，有望为病理AI在真实临床场景中的安全部署提供坚实保障，让智能辅助诊断更可靠、更透明。研究成果已通过系统性实验验证，为肺癌精准分型带来新工具。

四、Hepatology. AI新框架解析肝纤维化复杂表型

传统肝纤维化病理评估依赖分期或胶原面积比例，难以反映组织构架。英国团队推出一个可解释的AI框架，基于天狼星红染色切片，从数据中自动识别出多种胶原沉积表型（CDPs）。相比传统指标，该框架显著提升了下游转录组和蛋白质组分析的敏感性与生物学特异性。

其中，CDP 4和5与活跃的细胞外基质重塑通路密切相关，并与肝功能状态存在关联。在发现队列中，部分CDPs显示出预后预测价值，但在外部验证队列中效应有所减弱。

为促进可重复性研究，研究团队已将所有模型与工具免费开源，为肝脏多组学病理研究提供了全新公共资源。

参考文献

[1] Kömen J, de Jong ED, Hense J, Marienwald H, Dippel J, Naumann P, Marcus E, Ruff L, Alber M, Teuwen J, Klauschen F, Müller KR. Towards robust foundation models for digital pathology. Nat Commun. 2026 Jun 11;17(1):5218. doi: 10.1038/s41467-026-73923-2.

[2] Zhang W, Zhang S, Li F, Zhao Y, Fu J, Xiao X, Yin T, Lv Q, Yi Y, Bu H. Deep learning prediction of pathological complete response in breast cancer using Mamba architecture. NPJ Digit Med. 2026 Jun 2. doi: 10.1038/s41746-026-02849-2.

[3] Zhang X, Wang T, Yan C, Najdawi F, Zhou K, Ma Y, Cheung YM, Yeung MCF, Malin BA. Implementing trust in non-small cell lung cancer diagnosis with a conformalized uncertainty-aware AI framework. Nat Biomed Eng. 2026 Jun 23. doi: 10.1038/s41551-026-01694-8.

[4] Wojciechowska M, Thing M, Hu Y, Mazzoni G, Harder LM, Werge MP, Kimer N, Das V, Martinez JM, Prada-Medina C, Vyberg M, Goldin R, Serizawa R, Tomlinson J, Bartholdy A, Jensen M, Galsgaard ED, Woodcock DJ, Hvid H, Pfister DR, Jurtz VI, Gluud LL, Rittscher J. Decoding fibrosis: Transcriptomic and clinical insights via AI-derived collagen deposition phenotypes in MASLD. Hepatology. 2026 Jun 24. doi: 10.1097/HEP.0000000000001811.

“病理AI前沿动态”是一份华银康专注于病理学与人工智能交叉领域前沿动态的专业资讯栏目。病理学作为疾病诊断的“金标准”，当下正经历从形态学观察向数据驱动智能决策的深刻转型。海量病理+AI创新成果逐步落地，推动学科边界不断延展，技术迭代迅速，前沿信息纷繁，从业者亟需系统性梳理与洞察。

为此，我们推出“病理AI前沿动态”栏目，定期追踪全球病理AI领域的最新研究成果、技术突破与临床应用案例，力求为病理同仁提供兼具深度与时效性的知识参考，助力学科进步与临床转化。

敬请持续关注！

调研互动

— END —

供稿：创新发展中心医学部