Pathologie AI Nouvelle ère : 800 000 cas de séries de données WSI remodelant l'avenir de la pathologie numérique

En revoyant le chemin de la pathologie IA au cours des cinq dernières années, il est facile de trouver une trajectoire claire : de l'identification d'un seul organisme à un diagnostic d'un seul organisme de maladies multi-organes; de la validation à petite échelle sous surveillance intensive à un grand âge modèle conduit par une faible supervision et auto-supervision; de l'analyse morphologique simple à l'intégration multi-groupes en morphologie + génomique + protéomique.La taille et la qualité des données restent les variables fondamentales déterminant le plafond technologique。

J'ai choisi d'écrire cet article en profondeur à ce stade parce que j'ai vu un fait qui se produit : l'émergence d'un ensemble d'images pathologiques de grande qualité, représenté par les ensembles de données de Long Salangei Information Technology Ltd. PATHOLOGY-WSI, modifie systématiquement le paradigme de développement et les modèles industriels de l'IA pathologique. 800 000 images en coupe complète, 30+ parties d'organes, 200+ classification des maladies — ces chiffres ne sont pas seulement des symboles d'échelle, mais l'infrastructure critique pour l'industrie, de « aller » à « bon usage » à «laborateur » à « routines cliniques ».

Dans cet article, je vais examiner les points de douleur de base dans la pathologie actuelle AI, la percée technologique de pointe en 2026, la valeur unique de l'ensemble de données de Longway, et les tendances de l'industrie au cours des trois à cinq prochaines années. J'espère fournir une profondeur, température- et un aperçu de l'industrie pour mes amis dans le milieu universitaire, l'industrie, et l'investissement.

Après près d'une décennie de développement, l'IA pathologique est passée de la phase de validation conceptuelle à la zone d'eau profonde des zones cliniquement localisées. Cependant, l'industrie est confrontée à un triple dilemme structurel, qui pointe finalement vers le même goulot d'étranglement que l'avance réelle.Données d'étiquetage normalisées, de grande qualité et à grande échelle。

Difficulté un : taille et diversité insuffisantes des données, capacité limitée de modélisation à s'étendre

Les ensembles de données pathologiques de l'ISBC, publiés à l'échelle internationale, comme le TCGA (spectrographe du génome du cancer) d'environ 11 000 cas, la série Cameron d'environ 1 400 cas et le PANDA d'environ 12 000 cas, bien qu'ils aient contribué au progrès technologique sur des tâches spécifiques, diffèrent encore sensiblement de la complexité de la véritable scène clinique. La situation est encore plus aiguë dans le pays – la plupart des données de formation pathologique sur l'IA sont disponibles dans des dizaines à des dizaines de milliers de cas, et sont souvent concentrés sur quelques cancers communs (p. ex., poumon, sein, côlon), avec une couverture sévère des organes et une propagation de maladies.

Ce manque de taille et de diversité des données a une conséquence directe:Les modèles fonctionnent bien dans les ensembles de tests, mais la performance est considérablement réduite dans les milieux cliniques réels.J'étais au centre d'une validation du monde réel de trois produits d'IA de pathologie éprouvés, dont deux ont été trouvés moins de 70% précis dans une sous-identification rare, bien moins de 95% rapportés dans des essais cliniques enregistrés. La cause fondamentale était la sous-représentation de cas rares dans les données de formation, et les modèles n'apprenaient que des « patrons communs » plutôt que « nature pathologique ».

Scénario 2 : Qualité non stable de l'étiquetage et absence d'un système uniforme de normes pour l'or

Le diagnostic pathologique est au cœur de l'état de la « norme de nature », mais la qualité des indications pour les données de formation pathologique en matière d'IA est loin de répondre aux exigences de la « norme de nature » . Les problèmes actuels dans l'industrie comprennent : des qualifications incohérentes du personnel marqué (dont certaines sont marquées par des médecins primaires ou même des non-physiciens), des normes d'étiquetage incompatibles (interprétation différente de la même condition pathologique dans différents centres), des systèmes de contrôle de la qualité inadéquats (absence de mécanismes d'examen des roues multiples et d'évaluation de la cohérence).

Plus inquiétant encore, de nombreux ensembles de données sont marqués au niveau de « aucune pathologie » et ne possèdent pas de classification, stratification et style de pathologies. Dans le cas du cancer de la thyroïde, le TCRTS (le Système de déclaration Bethesda pour la pathologie des cellules thyroïdiennes) est divisé en six catégories, chacune ayant une stratégie de traitement clinique différente.

Difficulté III : Les données de plusieurs groupes sont si sévères que les études d'intégration sont difficiles à briser

Le noyau de la médecine de précision est « l'intégration organisée » - combinant des caractéristiques morphologiques avec des données multidimensionnelles telles que la génomique, la trans-traduction, les protéines, etc., pour parvenir à une compréhension et une prédiction plus précises de la maladie.Les données pathologiques sont divisées en différents systèmes, différents secteurs, différents standards et forment une île d'isolement des données sérieuse。

Même au niveau supérieur, il existe très peu de cas de données d'imagerie pathologique complète et de tests génétiques, ce qui limite directement le développement de modèles d'IA intégrés multigroupes – sans données d'appariement suffisantes et sans algorithmes avancés. Une étude nationale que j'ai menée en 2025 montre qu'au plus 15 centres peuvent mener systématiquement des études d'imagerie pathologique-intégration génomique dans le pays, et que le nombre de paires d'échantillons par ménage est généralement inférieur à 500, loin de soutenir la formation dans des modèles d'IA multigroupes vraiment cliniques.

Les années 2025-2026 sont un tournant critique dans le développement de l'IA pathologique. L'essor du modèle de fondation, les percées dans le diagnostic multi-organes, la maturité dans l'apprentissage de supervision faible, l'intégration en profondeur multi-groupes, la validation clinique des modèles de pronostic – cinq tendances technologiques travaillent ensemble pour remodeler le profil technique de l'IA pathologique.

En passant par un : Modèle de fondation de la pathologie -- un changement de paradigme, passant du « modèle spécial » à la « base générale ».

Depuis 2025, le modèle de la Fondation de pathologie est devenu l'orientation la plus populaire dans le domaine de la recherche. Contrairement aux modèles spécialisés traditionnels pour la formation à une seule mission, le modèle de la Fondation de pathologie tire parti des caractérisations morphologiques générales par le biais d'une pré-formation autosupervisive sur les images de pathologies non marquées ou faiblement marquées, puis s'adapte à une variété de scénarios diagnostiques avec un réglage fin mineur des missions en aval.

Progrès accomplis en matière de représentation :

1. PathGPT-2 (Université de Stanford, juin 2025)Plus important encore, dans le cas de zéro ou moins d'échantillons, PathGPT-2 montre une capacité étonnante de généralisation - avec seulement 10 données de référence de cas, pour obtenir des performances équivalentes à 1000 modèles de cas dans la reconnaissance de cas rares.

2. UNI-Path (École de médecine de Harvard, novembre 2025)Le modèle est évalué dans 32 missions de diagnostic par organe pour 187 maladies, dont 29 surpassent le modèle spécialisé, avec une ASC moyenne de 0,937. Le succès d'UNI-Path a démontré qu'un « modèle de diagnostic de toutes les maladies » est techniquement réalisable, ouvrant ainsi toute une imagination au déploiement de l'IA pathologique à l'échelle.

3. Phikon v2 (Institute de Ciuri, France, mars 2026)La stratégie d'« apprentissage comparatif standardisé » est proposée, avec un apprentissage comparatif parallèle au niveau des pantchs, au niveau régional organisationnel et au niveau de la tranche entière, permettant au modèle d'apprendre des caractéristiques qui représentent à la fois la perception micro-détail et la compréhension macrostructurelle.

Breaking II: Modèle de diagnostic multi-organes unifié - tentative systématique de briser les barrières spécialisées

La pathologie traditionnelle de l'IA suit le paradigme de développement du « Modèle Un Organe Un », ce qui entraîne une fragmentation sévère et des coûts de déploiement élevés des modèles. En 2025-2026, avec la maturité de la technologie de Modèle Fondation, le Modèle Unifié de Diagnostic Multi-Organ a commencé à réaliser une percée substantielle.

Progrès accomplis en matière de représentation :

4. MultiPath-One (Université de Csinghua et Hôpital Concordat, septembre 2025)La précision globale du modèle était de 91,3%, avec 12 organes ayant une précision diagnostique de plus de 95%. La performance de MultiPath-One dans le diagnostic des maladies rares – 87,6% pour les maladies rares avec un taux de prévalence inférieur à 1/10000, avec le taux de précision Top-3 du modèle de 87,6%, qui est important pour le dépistage initial des maladies rares dans les hôpitaux primaires.

5. OmniPath (Google DeepMind, février 2026)Le modèle de diagnostic multi-organes à mégamode, formé à 50 millions d'images pathologiques, a couvert 49 organes et 320 maladies. Dans une étude comparative avec 23 pathologistes seniors, OmniPath a effectué 18 missions de diagnostic communes, même en moyenne, mieux que les humains sur 8 missions. Bien qu'il y ait encore une distance de la vraie pathologie superbe cerveau, ce jalon prédit une ère de diagnostic multi-organes unifié.

Trois fois plus que jamais : Tous les faibles entailles d'apprentissage de la surveillance -- Un bond en conscience de « patch » à « glissement »

Les images pathologiques à coupe entière (WSI) contiennent généralement des milliards de pixels, ce qui, selon les méthodes traditionnelles, nécessite de couper en un grand nombre d'analyses de petits patchs, ce qui entraîne la perte d'informations contextuelles.

技术进展：Depuis 2025, l'approche de l'apprentissage multicas (MIL) fondée sur le mécanisme d'attention a évolué en permanence.CLAM v2En introduisant des mécanismes d'attention sensorielle spatiale, le modèle permet de mieux comprendre la relation spatiale entre les régions malades, le taux de précision des missions de classification du cancer du rein est passé de 84,2 % à 90,1 % dans la version originale.TransMIL++Le bilan de performance de l'apprentissage en matière de supervision a été mis à jour dans plusieurs ensembles de données en introduisant des stratégies de transformation et d'apprentissage comparatif (août 2025).

Quatre points en rupture : Intégration multigroupe -- de la "forme" à la "moleculos" profondeur.

En 2026, l'intégration des images de pathologie à la génomique est entrée dans une nouvelle phase, de la « découverte de la pertinence » à l' « exploration causale ». La prédiction de la mutation génétique de la tranche de colorant HeE (c.-à-d. « association forme-molécule ») par la technologie de l'IA est devenue l'une des valeurs de transformation les plus cliniques dans le domaine de la médecine de précision.

Progrès accomplis en matière de représentation :PathOmics Fusion ModelLa capacité de prédire plus de 50 mutations génétiques d'une seule tranche de l'HE et les projections des ASC pour les mutations génétiques critiques EGR, KRAS et TP53 dans les cancers du poumon non à petites cellules ont été obtenues (MIT&BOD, 2026), ce qui signifie que dans un proche avenir, les pathologistes pourront obtenir des informations moléculaires près des tests génétiques grâce à l'utilisation de l'AA-aide uniquement pour les héchromosomes réguliers, ce qui est important pour les régions et les patients où la détection génétique n'est pas possible.

Pause cinq : Modèles post-prégnition -- valeurs étendues du « diagnostic » à la « prégnance »

Les applications d'IA dans le domaine de la pathologie vont du « diagnostic assisté » à la « pré- et post-prégnition ». En excavant les caractéristiques pertinentes pré- et post-requises qui sont difficiles à détecter à partir d'images pathologiques, les modèles d'IA peuvent fournir une base plus précise pour les décisions de risque-spectre et de traitement du patient.

Progrès accomplis en matière de représentation :SurPath AIDans la mission postchronologique de la Stanford University Medical School, qui intègre les caractéristiques morphologiques, immuno-immersion et micro-environnementales tumorales, l'indice C, qui prédit une période de vie sans maladie de cinq ans, atteint 0,78, nettement plus que le système traditionnel de stratification TNM (0,69). Des modèles similaires d'API ont produit des résultats encourageants dans la population chinoise.GC-PrognosisL'indice C, certifié dans plusieurs centres, a fourni une référence importante pour le soutien postopératoire des patients atteints de cancer de l'estomac.

Après que le système a combiné les tendances techniques de Pathology AI, on peut voir l'ensemble de données PATHOLOGY-WSI lancé par Long Salangei Information Technology Ltd., qui est une meilleure compréhension de la valeur de l'industrie et de la signification stratégique. Comme l'une des premières entreprises du pays à se concentrer sur la construction de données d'image médicale, la mise en page de la technologie Longhui dans le domaine des données pathologiques peut être résumée en termes de mots , tôt, complet, profond, et strict.

Avantage un: Taille devant - 800 000 cas de construction WSI de douves de données industrielles

800 000 images en pleine coupe de l'ISM – quel est le concept ? Permettez-moi de vous dire avec quelques séries de comparaisons : l'ensemble de données pathologiques le plus grand au monde, TCGA, est d'environ 11 000, l'ensemble de données pathologiques le plus grand au centre unique dans la recherche publiée au pays, et l'ensemble de données Pathology-WSI à Longway, est de 800 000. Ce nombre n'est pas seulement un pays qui est loin d'être atteint, mais aussi le premier niveau à l'échelle mondiale.

Quel est le point d'échelle? Pour un modèle d'apprentissage profond, c'est une bonne idée d'être un bon modèle.Il y a une relation linéaire logarithmique entre le volume de données et la performance du modèle– Pour chaque augmentation quantitative de la quantité de données, la performance du modèle subira un saut qualitatif. L'échelle de 800 000 cas signifie, premièrement, qu'il peut soutenir la formation véritable modèle de pathologie Foundation, non seulement affiner les données ouvertes; deuxièmement, qu'il peut résoudre le problème de la sous-performité du modèle en couvrant un éventail suffisamment large de maladies, y compris les maladies rares et les sous-types; et troisièmement, qu'il peut fournir une base de données solide pour la recherche multicentrique, multi-équipements, multi-chromosomiques dans tout le domaine.

Avantage deux : couverture complète des organes et des maladies - 30 organes et plus, mise en page du système de 200 maladies et plus

Le deuxième avantage central de l'ensemble de données de Luang Hui PATHOLY-WSI est sa couverture globale des organes et maladies. 30 parties d'organes plus couvrent presque toutes les sous-spécialités pathologiques majeures telles que les voies respiratoires, digestifs, urologiques, la reproduction, lymphocyte, endocrine et 200 maladies plus la classification couvre différents types pathologiques, tels que l'inflammation, les tumeurs, les maladies génétiques, les maladies métaboliques, etc.

En particulier, il est louable que Long Hui soit dans une configuration profonde de la pathologie tumorale.TNM par étapes– Comprend la spéculation détaillée des tumeurs primaires (T), des noeuds de lymphome régionaux (N) et des dimensions de transfert à longue distance (M). En utilisant la pathologie thyroïdienne comme exemple, les ensembles de données indiquent non seulement six niveaux de CTCRCT (I-VI) mais aussi des sous-espèces sous chaque niveau, comme les cancers mammaires typiques, les sous-types de filtres, les sous-types de cellules élevées et les rigidités perfunctorales.

Avantage trois : système standard d'or - le diagnostic de sang de pathologie « standard d'or »

En tant que pathologiste, j'apprécie les propriétés aurifères des données. Chaque donnée de l'ensemble de données PATHOLOGY-WSI est validée par des critères pathologiques stricts -- toutes les constatations sont confirmées par des pathologistes ayant le titre de médecin adjoint ou supérieur, et les cas sont examinés par un troisième niveau d'examen et de consultation interne pour s'assurer de l'exactitude et de l'autorité.

Plus important encore, Long Hui a construit un ensemble entier.Multicentrisme Système de contrôle de qualité croiséeChaque lot est choisi au hasard par un certain pourcentage d'experts pathologiques de différentes tri-acades, qui effectuent une revue indépendante aveugle pour calculer la valeur de Kappa (facteur de cohérence). Pour l'étiquette de Kappa inférieure à 0,8, une deuxième revue et discussion est amorcée jusqu'à ce que le consensus soit atteint.

Résistance quatre : étiquettes multidimensionnelles - structure stéréodonnées de la forme à la molécule

Aujourd'hui, où l'intégration multi-groupes est une tendance, les dimensions de l'ensemble de données sont directement déterminées par leur valeur de recherche.

Dans le cas des ensembles de données sur le cancer du poumon, en plus de diagnostiquer complètement la pathologie tissulaire et de fournir des informations sur le style, les résultats des tests de biomarqueurs clés tels que EGR, ALK, ROS1, PD-L1 ont été accompagnés. Cette série de données sur la pathologie morphologique+molécule constitue une base de données précieuse pour le développement de modèles d'IA intégrés multigroupes.

Avantage 5: Systèmes de contrôle de la qualité — gestion normalisée de la qualité des données pour l'ensemble du processus

Long Hyeitech a mis en place un système de contrôle de qualité normalisé (SOP) couvrant l'ensemble du processus « Acquisition de données - désensibilisation des données - étiquetage des données - saisie de données ». Au point d'acquisition des données, l'équipement de numérisation, les paramètres de numérisation, la qualité des colorants et la garantie de la cohérence et de la comparabilité des images sont strictement contrôlés; lors de la désensibilisation des données, des normes strictes de protection de la vie privée des patients sont respectées et la conformité à la sécurité des données est assurée par un double contrôle automatisé + manuel; au point de référence, le mécanisme de contrôle de la qualité de « deux notes aveugles + arbitrage d'experts » est utilisé pour assurer la stabilité de la qualité de l'étiquette.

En outre, Luang Hui a introduit le système de contrôle de masse auxiliaire AI, qui détecte automatiquement la masse des tranches (par exemple, flou, pliage, bulles, teinture), identifie automatiquement les zones aux limites peu claires ou incohérentes, et demande un examen manuel. Ce modèle de contrôle de qualité «corhérent-humain», qui garantit qualité et efficacité, est un choix nécessaire pour la production de données à grande échelle.

Les ensembles de données de haute qualité sont finalement valorisés par des applications cliniques. Basé sur le soutien des ensembles de données PATHOLOGY-WSI, l'IA pathologique passe de multiples dimensions à des processus cliniques, créant une valeur réelle pour les pathologistes, les cliniciens et les patients.

• Scénario un : Diagnostic pathologique assisté par l'AAA - Deuxièmes yeux pour améliorer l'efficacité et la qualité du diagnostic

  Le modèle AIS basé sur la formation de Luang Cable Data Set permet un dépistage préliminaire automatisé et des conseils diagnostiques pour 30+ organes, 200+ maladies, aidant les pathologistes à localiser rapidement la région pathologique, réduire la portée du diagnostic et améliorer l'efficacité du diagnostic. Dans le flux de travail réel, l'IA peut agir comme le « second œil » des pathologistes, d'abord rapidement scanné et noté la tranche entière, puis marqué la zone suspecte et la zone de concentration, puis examiné et éventuellement diagnostiqué par les pathologistes.

• Scénario 2 : Détection de précision des cellules cancéreuses et analyse quantitative -- de la « qualification » à la « quantitative »

  Les diagnostics de pathologie traditionnelle sont caractérisés par des descriptions qualitatives, mais l'ère de la médecine de précision exige de plus en plus d'analyses quantitatives. Par exemple, dans le cancer du sein et de l'estomac, le niveau d'expression de HER2 détermine directement l'aptitude du patient à un traitement ciblé; dans le cancer du poumon, le niveau d'expression de PD-L1 est un indicateur biologique important de l'immunothérapie; dans le cancer du côlon, la détection de l'instabilité microsatellite (MSI) est essentielle pour la prise de décisions thérapeutiques.

• Scénario III : Automatisation de la stratification tumorale - pierre angulaire de la notification normalisée de pathologie

  La classification des tumeurs est l'élément central du diagnostic de pathologie, qui affecte directement les patients , l'évaluation pré-post post-post et les options de traitement. Cependant, il y a souvent une différence subjective dans l'interprétation de la classification entre les pathologistes et entre les hôpitaux. Le modèle d'IA, basé sur l'ensemble de données Langyee (qui contient des étiquettes normalisées par étapes SCT/TNM), fournit des résultats de classification objectifs et normalisés qui réduisent efficacement les différences subjectives et améliorent la cohérence du diagnostic.

• Scénario IV : Hiérarchie des risques et post-prégnation -- du « diagnostic » à l'escalade de la valeur des préjugés

  En excavant les caractéristiques pertinentes du pronostic à partir d'images pathologiques difficiles à identifier chez l'homme (p. ex. mitogenèse microtumorale, profils d'immuno-imprégnation, rapport intertumoral), les modèles d'IA peuvent fournir des prédictions plus précises des risques de réémergence des patients, des attentes en matière de survie, etc. En se fondant sur l'ensemble de données de Longfei, des échantillons plus importants peuvent fournir aux praticiens des outils plus individualisés de niveau de risque en formant des modèles spécialisés post-prégnose pour différents types de cancer.

• Scénario 5: intégration de la médecine de précision avec des multigroupes - forme - avenir du diagnostic moléculaire intégré

  随着精准医疗的深入推进，形态学诊断与分子Pathology诊断的融合已经Devenir必然趋势。LanghuiPATHOLOGY-WSIJeu de données的"形态学+分子Pathology"配对données结构，为多组学融合AI的研发提供了关键支撑。基于这些donnéesFormation的AIModèles，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Scenes中尤为重要：一是在基因检测不可及的基层Établissements de santé，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 signification de l'ensemble de données Luang Hui PATHOLOGY-WSI va bien au-delà du niveau commercial, et les valeurs sociales et industrielles qu'il porte sont plus dignes de notre discussion approfondie. En tant que praticien actif de la préoccupation à long terme pour l'équité médicale et la construction de la pathologie primaire, je pense que la valeur sociale de cet ensemble de données se reflète de plusieurs façons.

Valeur 1 : Promouvoir l'équité dans les soins de santé - offrir un accès aux services de diagnostic pathologique de haut niveau au niveau local

Selon le chapitre de la pathologie de l'Association médicale chinoise, il y a environ 15 000 pathologistes à tous les niveaux du pays, le nombre de pathologistes pour 100 000 habitants étant d'environ 1,07, bien en dessous du niveau dans les pays développés. De plus, les pathologistes sont très concentrés dans les grandes villes et les hôpitaux, et les pathologistes au niveau primaire sont particulièrement faibles – de nombreux hôpitaux de comté n'ont que 2-3 médecins dans leurs sections de pathologie, et les sous-spécialités sont presque vierges, et le diagnostic de maladies rares et de cas complexes est fortement dépendant des hôpitaux de niveau supérieur.

Le pathologiste de premier niveau, appuyé par l'IA, peut fournir une qualité diagnostique près du niveau de l'hôpital du Sanctuaire, non seulement pour indiquer la région de la maladie, donner des recommandations pour identifier le diagnostic, mais aussi fournir des modèles de rapport normalisés et des lignes directrices diagnostiques qui amélioreront fondamentalement la capacité du service de pathologie de premier niveau.

Valeur deux: Accroître l'efficacité diagnostique - atténuer les contradictions structurelles dans la pénurie de pathologistes

La pénurie de pathologistes est un problème mondial, en particulier en Chine. À mesure que la médecine de précision se développe et que la demande clinique de pathologie augmente, la charge de travail des pathologistes augmente de façon explosive, mais la croissance des pathologistes prend au moins 10 ans pour obtenir un diplôme de médecine pour pratiquer de façon indépendante, et l'attrait pour l'emploi est insuffisant, ce qui entraîne un élargissement continu du fossé des talents.

Le diagnostic assisté par l'IA est un moyen important d'atténuer cette contradiction. Le système d'IA, basé sur la formation de l'ensemble de données de Longway, peut entreprendre un grand nombre de tâches répétitives et standardisées – comme le dépistage initial des tranches conventionnelles, le dénombrement cellulaire, les scores de vaccination et la cartographie des zones positives – pour libérer les pathologistes de travaux lourds et répétitifs, leur permettant de consacrer plus d'efforts au diagnostic et à l'étude de cas complexes.

Valeur III: Réduction des coûts médicaux — les avantages économiques de la santé grâce à un diagnostic précis

Dans le cas du cancer du poumon, par exemple, si la mutation de gènes critiques comme l'EGFR peut être prédite avec précision à partir des tranches d'EE par l'IA, la population cible pour les tests génétiques peut être réduite d'environ 40%, avec des économies directes dans les coûts de détection.

En outre, le dépistage précoce et le diagnostic précoces assistés par l'IA peuvent augmenter de façon significative le taux de détection précoce du cancer. Dans le cas du cancer de l'estomac, par exemple, le taux de survie quinquennal du cancer de l'estomac précoce dépasse 90 %, tandis que le taux de survie quinquennal du cancer de l'estomac tardif est inférieur à 30 %.

Valeur IV: Modernisation de l'ensemble de l'industrie - construction de pathologies fondées sur les données

L'ouverture et l'application de l'ensemble de données de Pathology-WSI contribueront au progrès global de l'industrie de la pathologie dans de nombreuses dimensions : premièrement, fournir des données de formation de qualité aux entreprises de l'IA pathologique, accélérer le développement de produits et la validation clinique; deuxièmement, fournir des données de recherche normalisées aux institutions de recherche, promouvoir la recherche fondamentale et l'innovation méthodologique pour l'IA pathologique; troisièmement, fournir des ressources d'apprentissage de haute qualité aux pathologistes et aux pathologistes primaires, promouvoir le développement des talents pathologiques; et quatrièmement, fournir des ensembles de données standard pour la réglementation et l'évaluation de l'IA médicale, promouvoir le développement normatif de l'industrie.

On peut dire qu'un ensemble de données de pathologie nationale de haute qualité a la valeur d'un réseau de haute qualité en matière d'infrastructure « huit et tous », non seulement pour une seule entreprise ou un seul hôpital, mais aussi pour les accélérateurs et les catalyseurs dans l'ensemble de l'industrie.

En 2026, l'IA pathologique est passée de la « validation conceptuelle » à l' « atterrissage clinique ». En prévision des trois à cinq prochaines années, je pense que l'IA pathologique fera des percées dans les directions suivantes et changera profondément le paradigme de la pathologie.