将耗时20分钟的复杂病理切片分析缩短至仅需1分钟，且无需医生进行繁琐的逐一人工标注。近日，一项由西安交通大学计算机科学与技术学院教授李辰团队联合剑桥大学完成的AI医学突破，让这一场景成为现实。相关论文发表在《自然·癌症》 。

该技术在国际上率先攻克了弱监督学习下数字病理全玻片（WSI）难以实现精确空间量化的瓶颈，被形象地比喻为病理诊断的“声纳系统”。这意味着，AI病理诊断正从单纯的“粗略分类”正式迈向“精准量化”的新时代。

在癌症精准诊疗中，千兆像素级的数字病理切片是“金标准”。然而，长期以来计算病理学面临着一个难题：现有的主流AI方法（多实例学习MIL）虽然能以较低成本判断切片“是否有癌症”，但无法回答“病灶具体在哪里”“恶性程度如何分布”以及“各类亚型占多大比例”。要想获得这些关键信息，往往需要病理医生投入大量精力进行逐像素的“手动描绘”，这在临床上几乎是不可能完成的任务。

针对这一难题，研究团队提出了名为SMMILe的新型人工智能框架，该框架是首个能在仅使用简化“病人级诊断标签”的情况下，实现对全玻片病灶进行精确空间量化的AI系统。SMMILe打破了传统弱监督算法“重分类、轻定位”的局限，在无需昂贵人工标注的条件下，能够像绘制地图一样，自动推断出肿瘤在组织中的具体位置、边界范围及不同亚型的空间分布。

传统方法往往因为缺乏详细坐标信息而“抓瞎”，或者只能捕捉到最明显的特征。而SMMILe通过融合特征压缩、参数自适应处理及马尔可夫随机场约束等前沿数学模型，能够敏锐捕捉到微弱的病理信号。即便是在没有任何位置标注信息的情况下，它也能像声纳探测海底地形一样，精准锁定并还原出具有生物学意义的肿瘤空间图谱。这不仅解决了AI模型的可解释性问题，更让病理分析的效率实现了数量级的飞跃。一张复杂的组织切片，人工分析可能耗时20分钟，而SMMILe仅需约1分钟即可生成详尽的量化报告。

网站截图。

未来，这一框架还有望进一步扩展，用于推断肿瘤的分子特征，将组织形态学与多组学数据紧密结合，推动综合癌症医学和精准医疗的发展。

相关论文信息：https://doi.org/10.1038/s43018-025-01060-8