Patología AI Nueva Era: 800.000 casos de datos WSI se redefinen el futuro de la patología digital

Al mirar atrás el camino de la patología AI en los últimos cinco años, es fácil encontrar una trayectoria clara: desde la identificación de un solo organismo hasta un diagnóstico de enfermedades multiorgánicas; desde la validación en pequeña escala bajo supervisión intensiva aprendiendo a una gran edad modelo impulsada por la supervisión débil y la autosupervisión; desde el análisis morfológico simple hasta la integración multigrupo en morfología + genómica + proteómica.El tamaño y la calidad de los datos siguen siendo las variables básicas que determinan el techo tecnológico。

Elegí escribir este artículo en profundidad en este punto porque vi un hecho que está sucediendo: el surgimiento de un conjunto de imágenes patológicas de alta calidad y mega-escala, representado por la Long Salangei Information Technology Ltd. PATHOLOGY-WSI conjuntos de datos, está cambiando sistemáticamente paradigma de desarrollo patológico de AI y patrones de industria. 800,000 imágenes de uso completo, 30+ partes de órganos, 200+ clasificación de enfermedades, estos números no son símbolos de rutina

En este trabajo, voy a analizar los puntos de dolor centrales de la actual patología AI, el avance tecnológico de vanguardia en 2026, el valor único del conjunto de datos de Longway, y las tendencias de la industria en los próximos tres a cinco años. Espero proporcionar una profunda, temperatura y visión de la industria para mis amigos en la academia, la industria y la inversión.

Después de casi una década de desarrollo, la IA patológica ha pasado de la fase de validación conceptual a la zona de aguas profundas de áreas clínicamente ubicadas. Sin embargo, la industria se enfrenta a un triple dilema estructural, que en última instancia señala el mismo cuello de botella núcleo que el avance real.Datos de etiquetado estandarizados de alta calidad, a gran escala。

Dificultad: insuficiente tamaño y diversidad de datos, capacidad limitada de modelado para ampliar

Los actuales conjuntos de datos patológicos WSI publicados internacionalmente, como TCGA (fotografía de genoma de cáncer) de alrededor de 11.000 casos, la serie Cameron de cerca de 1.400 casos, y el PANDA de unos 12.000 casos, aunque han contribuido al progreso tecnológico en tareas específicas, todavía difieren significativamente de la complejidad de la escena clínica real. La situación es aún más aguda en el país – la mayoría de datos de formación de órganos patológicos de IA están disponibles en decenas a decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de decenas de miles de miles de miles de miles de miles de miles de casos

Esta falta de tamaño y diversidad de datos tiene una consecuencia directa:Los modelos funcionan bien en conjuntos de pruebas, pero el rendimiento se reduce drásticamente en los ajustes clínicos reales.Estaba en el centro de una validación mundial real de tres productos de IA patología probada, dos de los cuales se encontraron con menos del 70% exactos en la subidentificación rara, mucho menos del 95% reportados en ensayos clínicos registrados. La causa raíz fue infrarrepresentación de casos raros en datos de entrenamiento, y los modelos aprendieron sólo "pautas comunes" en lugar de "naturaleza patológica".

Escenario 2: Calidad inestable de etiquetado y falta de un sistema uniforme de normas para el oro

En el centro del diagnóstico patológico se encuentra el estado de la "esencial de la especie", pero la calidad de las indicaciones para los datos patológicos de capacitación de IA está lejos de cumplir los requisitos de la "esencia de la especie".Los problemas actuales en la industria incluyen: calificaciones inconsistentes del personal marcado (algunos de los cuales están marcados por médicos primarios o incluso no físicos), estándares inconsistentes de etiquetado (diferente interpretación de la misma condición patológica en diferentes centros), mecanismos de evaluación de calidad inadecual).

Aún más preocupantes, muchos conjuntos de datos están marcados a nivel de "no patologías" y carecen de una clasificación fina, estratificación y estilización de patologías. En el caso del cáncer de tiroides, TBSRTC (el sistema de reportaje de Bethesda para patología de células tiroideas) se divide en seis categorías, cada una de las cuales tiene una estrategia de tratamiento clínico diferente.

Dificultad III: Los datos de grupos múltiples son tan severos que los estudios de integración son difíciles de romper

El núcleo de la medicina de precisión es "integración organizada" — combinando características morfológicas con datos multidimensionales como la genómica, la trans-traducción, proteínas, etc., para lograr una comprensión y predicción más precisas de la enfermedad. Sin embargo, la realidad es que:Los datos patológicos de imagen se dividen en diferentes sistemas, diferentes sectores, diferentes estándares y forman una isla de aislamiento de datos serio。

Incluso en el nivel superior, hay casos muy limitados de datos completos de imágenes patológicas y pruebas genéticas. Esto limita directamente el desarrollo de modelos de IA integrados multigrupos – sin datos suficientes de emparejamiento y sin algoritmos avanzados. Un estudio nacional que dirigí en 2025 muestra que no más de 15 centros pueden realizar estudios de integración patológica-genomic en el país, y que el número de pares de muestras por hogar es generalmente inferior a 500 modelos, lejos de apoyar verdaderamente clínicas.

Los años 2025-2026 son un punto de inflexión crítico en el desarrollo de la IA patológica. El aumento del Modelo de Fundación, avances en diagnósticos multiorgan, madurez en el aprendizaje de supervisión débil, integración en profundidad de múltiples grupos, validación clínica de modelos de pronóstico – cinco tendencias tecnológicas están trabajando juntos para reformar el perfil técnico de IA patológica. Luego entraré en profundidad.

Romper a través de uno: Modelo de Fundación Patología - un cambio de paradigma de "modelo especial" a " base general".

Desde 2025, el modelo de la Fundación patología se ha convertido en la orientación más popular de la investigación en el campo. A diferencia de los modelos tradicionales especializados para la formación de una sola misión, el modelo de la Fundación patología aprende de las caracterizaciones morfológicas patológicas generales mediante la pre-entrenamiento autosupervisorio en patologías de marca masiva o débil, y luego se adapta a una variedad de escenarios diagnósticos con menor ajuste de misiones de corriente.

Progresos representativos:

1. PathGPT-2 (Universidad de Stanford, 2025 de junio)Más importante aún, en el caso de cero o menos muestras, PathGPT-2 muestra una increíble capacidad de generalizar - con sólo 10 datos referenciados en caso de caso, para lograr un rendimiento equivalente a 1.000 modelos basados en casos raros.

2. UNI-Path (Harvard Medical School, noviembre 2025)El modelo se evalúa en 32 misiones de diagnóstico basadas en órganos para 187 enfermedades, 29 de las cuales superan el modelo especializado, con una AUC media de 0.937. El éxito de UNI-Path ha demostrado que "un modelo para el diagnóstico de todas las enfermedades" es técnicamente factible, abriendo toda una nueva imaginación para el despliegue de IA patológica a escala.

3. Phikon v2 (Institute de Ciuri, Francia, 2026 de marzo)Se propone la estrategia de "aprendizaje comparativo nivelado", con aprendizaje comparativo paralelo a nivel de pánker, a nivel regional organizativo y a nivel de rebanada completo, permitiendo que el modelo aprenda características que representan tanto la percepción de microdetalles como la comprensión de macroestructura. En la misión de detección de transferencias de linfoma de CAMILYON 16/17, la AUC en Phikon v2 alcanzó los 0,89 y 0,95, respectivamente, actualizando el récord mundial en ese momento.

Breaking II: Unified multi-organ diagnostic model - systematic attempt to break the specialist barriers

Patología tradicional AI sigue el paradigma de desarrollo de "Un Modelo Un Órgano", que resulta en la fragmentación severa y altos costos de despliegue de los modelos. En 2025-2026, con la madurez de la tecnología Modelo de Fundación, el Modelo Unificado de Diagnósticos Multi-organ comenzó a lograr un avance sustancial.

Progresos representativos:

4. MultiPath-One (Csinghua University " Concordat Hospital, 2025 de septiembre)La precisión del diagnóstico general del modelo fue del 91,3%, con 12 órganos con una precisión diagnóstica superior al 95%. De particular preocupación es el rendimiento de MultiPath-One en el diagnóstico de enfermedades raras – 87,6% para enfermedades raras con una tasa de prevalencia inferior a 1/10000, con la tasa de precisión Top-3 del modelo del 87,6%, que es importante para la detección inicial de enfermedades raras en los hospitales primarios.

5. OmniPath (Google DeepMind, Febrero 2026)El modelo de diagnóstico multiorganismos de megamodo, que fue entrenado en 50 millones de imágenes patológicas, cubrió 49 órganos y 320 enfermedades. En un estudio comparativo con 23 patólogos de alto nivel, OmniPath realizó en 18 misiones de diagnóstico comunes, incluso en promedio, mejor que los humanos en 8 misiones. Aunque todavía hay una distancia del cerebro superb de patología verdadera, este hito está prediciendo una era de diagnóstico multiorgan unificado.

Tres: Todo el aprendizaje de la vigilancia de la humedad cortada - Un salto en la conciencia de "Patch" a "slide"

Las imágenes patológicas de todo tipo (WSI) suelen contener miles de millones de píxeles, que los métodos tradicionales requieren cortar en un gran número de pequeños análisis de parches, lo que conduce a la pérdida de información contextual. El aprendizaje de supervisión débil (Aprendizaje supervisado débil) puede entrenar modelos utilizando sólo etiquetas de nivel de rodajas (por ejemplo, "buena/bad") que reducen significativamente el costo de etiquetado, mientras que mejor capturar características globales.

技术进展：Desde 2025, el enfoque de aprendizaje multifacético basado en el mecanismo de atención ha evolucionado continuamente.CLAM v2Al introducir mecanismos de atención sensorial espacial, el modelo permite una mejor comprensión de la relación espacial entre las regiones enfermizas, la tasa de precisión de las misiones de clasificación de cáncer de riñón ha aumentado del 84,2% al 90,1% en la versión original.TransMIL++El registro de resultados de aprendizaje de supervisión débil se actualizó en múltiples conjuntos de datos mediante la introducción de estrategias de Transformer y aprendizaje comparativo (agosto 2025).

Romper cuatro: Integración multigrupo: de forma a profundidad "moleculos".

En 2026, la integración de imágenes patológicas con genómicas entró en una nueva fase, desde "descubrimiento de la relación" hasta "exploración de precaución".La predicción de mutación genética de la rodaja de tinte de EE (es decir, "asociación de moléculas") a través de la tecnología AI se convirtió en uno de los valores de transformación más clínicos en el campo de la medicina de precisión.

Progresos representativos:PathOmics Fusion ModelLa capacidad de predecir más de 50 mutaciones genéticas de una sola rodaja de HE, y las proyecciones de las AUC para las mutaciones genéticas causadas por críticos EGR, KRAS y TP53 en cánceres de pulmón de células no pequeñas, se lograron (MITющBOD, enero 2026). Esto significa que en los futuros patólogos podrán obtener información genética cerca de pruebas genéticas mediante la detección de AA-aided solamente para áreas regulares

Cinco: Modelos de pregnición post- - valores extendidos de "diagnóstico" a "pregnación"

Las aplicaciones de IA en el campo de patología se extienden desde el "diagnóstico a la "pre- y post-pregnición". Al excavar características relevantes pre- y post-requisitas que son difíciles de detectar desde imágenes patológicas, los modelos de IA pueden proporcionar una base más precisa para las decisiones de riesgo-espectro y tratamiento del paciente.

Progresos representativos:SurPath AIEn la misión de predicción post-cronología de la Escuela Médica de la Universidad de Stanford, que integra características microambientales de tejido morfológicas, inmunoinmuno-inmuno-inmuno, índice C, que predice un período de vida libre de enfermedad de cinco años, alcanza 0,78, considerablemente superado el sistema tradicional de estratificación TNM (0,69).GC-PrognosisEl índice C, que fue certificado en múltiples centros, proporcionó una referencia importante para el apoyo postoperatorio para pacientes con cáncer de estómago.

Después de que el sistema haya combinado las tendencias técnicas de Pathology AI, podemos ver los datos PATHOLOGY-WSI establecidos por Long Salangei Information Technology Ltd., que es una mejor comprensión del valor y la importancia estratégica de la industria. Como una de las primeras empresas del país para centrarse en la construcción de activos de datos de imagen médica, la disposición de la tecnología Longhui en el área de datos patológicos puede ser resumida en términos profundos, estrictos

Ventana: Tamaño por delante - 800.000 casos de construcción de la ISM de moat de datos industriales

800,000 patología WSI imágenes de corte completo – ¿Cuál es el concepto? Permítanme decirle con algunos conjuntos de comparaciones: los datos patológicos más grandes disponibles públicamente establecidos en el mundo, TCGA, es alrededor de 11.000, los datos patológicos de un centro más grandes establecidos en la investigación publicada en el país, y los datos Pathology-WSI establecidos en Longway, es de 800.000. Este número no es sólo un país que está muy por delante, sino también el primero.

¿Cuál es el punto de escala? Para un modelo de aprendizaje profundo, es una buena idea ser un buen modelo.Hay una relación lineal casi logarítmica entre el volumen de datos y el rendimiento del modelo– Para cada aumento cuantitativo de la cantidad de datos, el rendimiento del modelo se llevará a cabo un salto cualitativo. La escala de 800.000 casos significa, primero, que puede apoyar la verdadera formación de la Fundación patología Modelo, no sólo ajustar los datos abiertos; segundo, que puede abordar el problema de la sub-performidad modelo cubriendo un espectro suficientemente amplio de enfermedades, incluyendo enfermedades raras y subtipos; y, en tercer lugar, que puede proporcionar un dominio multicromo sólido

Ventajas dos: cobertura completa de órganos y enfermedades - 30+ órganos, 200+ sistema de enfermedad

La segunda ventaja central del conjunto de datos Luang Hui PATHOLY-WSI es su cobertura integral de órganos y enfermedades. 30+ partes de órganos cubren casi todas las principales sub-especialidades patológicas tales como respiratorias, digestivas, urología, reproducción, linfocítico, endocrina y 200+ clasificación de enfermedades cubre varios tipos patológicos, tales como inflamación, tumores, enfermedades genéticas, enfermedades metabólicas, etc.

En particular, es encomiable que Long Hui esté en un diseño profundo de la patología tumoral.TNM phased– Incluye la especulación detallada de tumores primarios (T), nudos regionales de linfoma (N), y dimensiones de transferencia de largo alcance (M). Usando la patología tiroidea como ejemplo, los conjuntos de datos no sólo indican seis niveles de TBSRTC (I-VI) sino también subespecies bajo cada nivel, como cánceres típicos de mampostería, subtipos de filtro, subtipos de células altas y calibración de calidad.

Ventaja tres: sistema de oro estándar - la sangre "de oro estándar" del diagnóstico de patología

Como patólogo, valoro las propiedades de los datos en oro. Cada dato en el conjunto de datos PATHOLOGY-WSI se valida por criterios patológicos estrictos, todos los hallazgos son confirmados por patólogos con el título de médico adjunto o superior, y los casos son examinados por un tercer nivel de examen y consulta interna para asegurar la precisión y autoridad.

Más importante aún, Long Hui construyó un conjunto completo.Sistema de control de la calidad multicentrismoCada lote es seleccionado aleatoriamente por un cierto porcentaje de expertos patológicos de diferentes tri-acades, que realizan una revisión ciega independiente para calcular el valor de Kappa (factor de consistencia). Para la etiqueta de Kappa por debajo de 0.8, se inicia una segunda revisión y discusión hasta que se llega a un consenso. Entiendo que la marca general del conjunto de datos Longfei es 0.89, que es un nivel líder dentro de la industria.

Fuerza cuatro: etiquetas multidimensionales - estructura estereodata de forma a molécula

Hoy, donde la integración multigrupo es una tendencia, las dimensiones del conjunto de datos están directamente determinadas por su valor de investigación. Los conjuntos de datos PATHOLOGY-WSI de Longway contienen no sólo tintes convencionales de EH, sino también información multidimensional sobre la inmunización (IHC), tintes especiales y patología molecular.

En el caso de conjuntos de datos sobre cáncer de pulmón, además de diagnósticos completos de patología de tejidos e información de estilo, se han acompañado resultados de pruebas de biomarcadores clave como EGR, ALK, ROS1, PD-L1. Este conjunto de datos de patología de morfología y molécula proporciona una base de datos valiosa para el desarrollo de modelos de IA integrados multigrupales.

Ventajas 5: Sistemas de control de calidad - gestión estandarizada de la calidad de los datos para todo el proceso

La calidad de los datos es la línea de vida del conjunto de datos. Long Hyeitech ha establecido un sistema de control de calidad estandarizado (SOP) que abarca todo el proceso "Data acquisition-data desensibilization-data labelling-quality review-data entry." En el punto de adquisición de datos, el equipo de escaneo, parámetros de escaneo, calidad de tinte, y asegurar la consistencia y comparabilidad de las imágenes ciegas son estrictamente controladas

Además, Luang Hui introdujo el Sistema de Control Masivo AI-Auxiliario, que detecta automáticamente la masa de rodajas (por ejemplo, borrosa, plegada, burbujas, tintura), identifica automáticamente áreas con límites inciertos o incongruentes, y solicita revisión manual. Este modelo de control de calidad "humano-coherente", que garantiza calidad y eficiencia, es una opción necesaria para la producción de datos a gran escala.

Los conjuntos de datos de alta calidad se valoran en última instancia a través de aplicaciones clínicas. Basándose en el apoyo de los conjuntos de datos PATHOLOGY-WSI, la IA patológica se mueve de múltiples dimensiones a procesos clínicos, creando un valor real para patólogos, clínicos y pacientes.

• Escenario uno: Diagnóstico Patológico AAA-asistido - Segundos ojos para mejorar la eficiencia y calidad del diagnóstico

  El modelo AIS basado en el entrenamiento de Luang Cable Data Set permite la detección y el asesoramiento diagnóstico preliminar automatizado para 30 órganos más, 200 enfermedades, ayudando a los patólogos a localizar rápidamente la región enferma, reducir el alcance del diagnóstico y mejorar la eficacia del diagnóstico. En el flujo de trabajo real, la IA puede actuar como el "segundo ojo" de los patólogos, primero escaneado rápidamente y puntado toda la roda, luego marcó el área sospechosa y tasa de eficiencia, luego diagnosticada0% de acceso

• Escenario 2: detección de precisión de células cancerosas y análisis cuantitativos - de "cuatitario" a "cuantitativo"

  Los diagnósticos de patología tradicional se caracterizan por descripciones cualitativas, pero la era de la medicina de precisión es cada vez más exigente análisis cuantitativo. Por ejemplo, en el cáncer de mama y estómago, el nivel de expresión de HER2 determina directamente la idoneidad del paciente para el tratamiento objetivo; en el cáncer de pulmón, el nivel de expresión de PD-L1 es un indicador biológico importante de inmunoterapia; en el cáncer de colon, la detección de la inestabilidad microsatélite (MSI) es esencial para la toma de la decisión terapéutica

• Escenario III: Automatización de la estratificación tumoral - piedra angular de la patología estandarizada reportando

  La clasificación de tumores es el elemento central del diagnóstico de patología, que afecta directamente las opciones de evaluación y tratamiento previos a los pacientes. Sin embargo, a menudo hay alguna diferencia subjetiva en la interpretación de la clasificación entre patólogos y entre hospitales. El modelo AI, basado en el conjunto de datos Langyee (que contiene etiquetas estandarizadas TBSTC/TNM), proporciona resultados de clasificación objetivo y estandarizados que reducen efectivamente las diferencias subjetivas y mejoran la consistencia en el diagnóstico.

• Escenario IV: Post-pregnación y jerarquía de riesgo - desde el "diagnóstico" a la escalada de valor "prejuicio"

  Al excavar las características de pronóstico relevantes de imágenes patológicas difíciles de identificar en seres humanos (por ejemplo, micro-tumour mitogenesis, patrones de inmuno-impregnación, relación de intertumoral), los modelos de IA pueden proporcionar predicciones más precisas de los riesgos de re-emergencia de los pacientes, expectativas de supervivencia, etc. Basándose en la ventaja de la serie de datos Longfei, los médicos clínicos pueden proporcionar herramientas de prevención de posrecepción más diferentes

• Escenario 5: integración de la medicina de precisión con múltiples grupos - forma - futuro del diagnóstico molecular integrado

  随着精准医疗的深入推进，形态学诊断与分子Patología诊断的融合已经Conviértase en必然趋势。LanghuiPATHOLOGY-WSIConjunto de datos的"形态学+分子Patología"配对datos结构，为多组学融合AI的研发提供了关键支撑。基于这些datosEntrenamiento的AIModelos，可以直接从常规HE染色切片中预测关键基因的突变状态、表达谱特征甚至免疫治疗响应性。这种能力在以下Escenas中尤为重要：一是在基因检测不可及的基层Instituciones médicas，AI可以提供低成本的分子分型初筛；二是在活检组织量不足、无法进行基因检测的情况下，AI可以从有限的形态学信息中挖掘分子特征；三是在肿瘤异质性评估中，AI可以提供空间层面的分子特征分布信息，补充单点基因检测的不足。

La importancia de la serie de datos Luang Hui PATHOLOGY-WSI va mucho más allá del nivel comercial, y los valores sociales e industriales que lleva son más dignos de nuestro debate en profundidad. Como profesional activo de la preocupación a largo plazo por la equidad médica y la construcción de la patología primaria, creo que el valor social de este conjunto de datos se refleja en varias maneras.

Valor Uno: Promover la equidad en la atención de la salud - proporcionar acceso a servicios de diagnóstico patológico de alto nivel a nivel comunitario

Según el capítulo patológico de la Asociación Médica China, hay alrededor de 15.000 patólogos en todos los niveles de los hospitales del país, con el número de patólogos por cada 100.000 habitantes en torno a 1.07, muy por debajo del nivel en los países desarrollados. Además, los patólogos están muy concentrados en grandes ciudades y hospitales, y los patólogos en el nivel primario son particularmente débiles – muchos hospitales de condado tienen sólo 2-3 médicos en sus secciones patologías, y enfermedades sub-

El patólogo de primer nivel, apoyado por AI, puede proporcionar calidad de diagnóstico cerca del nivel del Hospital Santuario, no sólo para indicar la región de la enfermedad, dar recomendaciones para identificar el diagnóstico, sino también proporcionar plantillas de reportaje estandarizadas y pautas de diagnóstico que mejoren fundamentalmente la capacidad del servicio de patología de nivel primario. Este es un paso estratégico para alcanzar el objetivo de "problemas" y promover la equidad en la atención de salud.

Valor dos: Aumento de la eficiencia diagnóstica - mitigación de las contradicciones estructurales en la escasez de patólogos

La escasez de patólogos es un problema global, especialmente en China. A medida que se desarrolla la medicina de precisión y aumenta la demanda clínica de patología, el volumen de trabajo de los patólogos aumenta explosivamente, pero el crecimiento de los patólogos tarda por lo menos 10 años en graduarse de la escuela médica para practicar de forma independiente, y el atractivo laboral es insuficiente, lo que resulta en una continua ampliación de la brecha de talento.

El diagnóstico asistido por AI es una forma importante de aliviar esta contradicción. El sistema AI, basado en la formación del conjunto de datos de Longway, puede realizar un gran número de tareas repetitivas y estandarizadas, como la detección inicial de rebanadas convencionales, conteos celulares, puntajes de inmunización y la asignación de áreas positivas, para liberar a los patólogos de trabajos pesados y repetitivos, permitiéndoles dedicar más esfuerzos al diagnóstico y estudio de casos complejos.

Valor III: Reducción de los costos médicos: los beneficios económicos de la salud del diagnóstico preciso

En el caso del cáncer de pulmón, por ejemplo, si la mutación de genes críticos como el EGFR puede ser predicho con precisión de las rodajas EE por AI, la población objetivo de pruebas genéticas puede reducirse en un 40%, con ahorro directo en costos de detección. Más importante aún, la estemetría de precisión y el pronóstico pueden guiar las opciones clínicas del tratamiento más adecuado, evitando el tratamiento ineficaz y la sobremedicina, que puede ser un ahorro significativo para el paciente como sistema entero.

Además, el diagnóstico temprano asistido por AI y el diagnóstico temprano pueden aumentar significativamente la tasa de detección temprana del cáncer. En el caso del cáncer de estómago, por ejemplo, la tasa de supervivencia de cinco años de cáncer de estómago temprano supera el 90%, mientras que la tasa de supervivencia de cinco años de cáncer de estómago en estadios tardíos es inferior al 30%.

Valor IV: Mejora de la industria general - construcción de patología basada en datos

La apertura y aplicación del conjunto de datos Pathology-WSI contribuirá al progreso general de la industria patológica en muchas dimensiones: primero, proporcionar datos de capacitación de calidad para las empresas patológicas de IA, acelerar el desarrollo de productos y validación clínica; segundo, proporcionar datos de investigación estandarizados para las instituciones de investigación, promover la investigación básica e innovación metodológica para la IA patológica; tercero, proporcionar recursos de aprendizaje de alta calidad para los patólogos y patólogos, promover el desarrollo de los datos patológicos estándar cuarto; y la regulación

Se puede decir que un conjunto de datos de patología nacional de alta calidad tiene el valor de una red de alta hierro "ocho y todo" en infraestructura, no sólo para una sola empresa o hospital, sino también para aceleradores y catalizadores en toda la industria.

Mientras miramos hacia atrás hoy en 2026, la IA patológica ha pasado su primera década de "validación conceptual" a "terrizo clínico". Mirando hacia adelante a los próximos tres a cinco años, creo que la IA patológica hará avances en las siguientes direcciones y cambiará profundamente el paradigma patológico.