Патология ИИ: 800 000 случаев наборов данных WSI, меняющих будущее цифровой патологии

Оглядываясь на путь патологии ИИ за последние пять лет, легко найти четкую траекторию: от идентификации одного органа до диагностики нескольких органов; от мелкомасштабной валидации под интенсивным наблюдением до большого модельного возраста, обусловленного слабым наблюдением и самоконтролем; от простого морфологического анализа до многогрупповой интеграции в морфологии + геномике + протеомике.Размер и качество данных остаются основными переменными, определяющими технологический потолок.。

Я решил написать эту подробную статью на данный момент, потому что увидел факт, который происходит: появление мега-масштабного, высококачественного набора патологических изображений, представленного Long Salangei Information Technology Ltd., наборы данных PATHOLOGY-WSI, систематически меняет парадигму развития патологического ИИ и отраслевые модели. 800 000 изображений с полным срезом, 30+ частей органов, 200+ классификация заболеваний — эти цифры являются не просто символами масштаба, но критической инфраструктурой для промышленности от «перейти» к «хорошему использованию» к «лабораторным» к «клиническим процедурам».

В этой статье я буду изучать основные болевые точки в текущей патологии ИИ, передовой технологический прорыв в 2026 году, уникальное значение набора данных Longway и отраслевые тенденции в течение следующих трех-пяти лет. Я надеюсь обеспечить глубокое, температурное и понимание отрасли для моих друзей в науке, промышленности и инвестициях.

После почти десятилетнего развития патологический ИИ перешел от стадии концептуальной валидации к глубоководной зоне клинически расположенных районов, однако отрасль сталкивается с тройной структурной дилеммой, которая в конечном итоге указывает на то же самое основное узкое место, что и фактическое продвижение.Высококачественные, крупномасштабные, стандартизированные данные маркировки。

Сложность первая: недостаточный размер и разнообразие данных, ограниченная способность моделирования расширяться

Нынешние опубликованные на международном уровне патологические наборы данных WSI, такие как TCGA (спектрограф генома рака) около 11 000 случаев, серия Кэмерона около 1400 случаев и PANDA около 12 000 случаев, хотя они и способствовали технологическому прогрессу по конкретным задачам, все еще значительно отличаются от сложности реальной клинической сцены. Ситуация еще более острой в стране - большинство патологических данных обучения ИИ доступны в десятках-десятках тысяч случаев и часто сосредоточены на нескольких распространенных раковых заболеваниях (например, легких, груди, толстой кишки), с тяжелым охватом органов и распространением заболеваний.

Отсутствие данных и их разнообразие имеет прямое следствие:Модели хорошо работают в тестовых наборах, но производительность резко снижается в реальных клинических условиях.Я был в центре проверки в реальном мире трех проверенных продуктов ИИ патологии, два из которых оказались менее чем на 70% точными в редких субидентификации, гораздо менее чем на 95% зарегистрированных клинических испытаний.Коренной причиной было недопредставление редких случаев в данных обучения, и модели узнали только «общие закономерности», а не «патологический характер».

Сценарий 2: Нестабильное качество маркировки и отсутствие единой системы стандартов на золото

В основе патологической диагностики лежит статус «родового стандарта», но качество показаний к патологическим данным обучения ИИ далеко не соответствует требованиям «родного стандарта». Текущие проблемы в отрасли включают: несогласованную квалификацию отмеченного персонала (некоторые из которых отмечены первичными врачами или даже неврачами), несогласованность стандартов маркировки (разная интерпретация одного и того же патологического состояния в разных центрах), неадекватные системы контроля качества (отсутствие многоколесных механизмов обзора и оценки согласованности).

Еще более тревожно, что многие наборы данных отмечены на уровне "никаких патологий" и не имеют тонкой классификации, стратификации и укладки патологий. В случае рака щитовидной железы TBSRTC (система отчетности Bethesda по патологии клеток щитовидной железы) разделена на шесть категорий, каждая из которых имеет различную стратегию клинического лечения. Но большинство патологий щитовидной железы на рынке достигает только классификации "добро/негативность", которая не обеспечивает рейтинг TBSRCC, который сильно дисконтируется в реальном клиническом ландшафте.

Сложность III: данные по нескольким группам настолько серьезны, что интеграционные исследования трудно сломать

Ядром прецизионной медицины является «организованная интеграция» — объединение морфологических характеристик с многомерными данными, такими как геномика, транстрансляция, белки и т. д., для достижения более точного понимания и прогнозирования заболевания.Патологические данные изображений делятся на различные системы, различные сектора, различные стандарты и образуют серьезный остров изоляции данных.。

Даже на высшем уровне очень ограничены случаи полной патологической визуализации и генетических тестов. Это напрямую ограничивает разработку многогрупповых интегрированных моделей ИИ - без достаточных данных сопряжения и без продвинутых алгоритмов. Национальное исследование, которое я возглавлял в 2025 году, показывает, что не более 15 центров могут систематически проводить исследования патологической визуализации-геномной интеграции в стране, и что количество пар образцов на домохозяйство обычно ниже 500, что далеко не поддерживает обучение по-настоящему клиническим многокластерным моделям ИИ.

2025-2026 годы являются переломным моментом в развитии патологического ИИ. Возникновение модели фундамента, прорывы в многоорганной диагностике, зрелость в слабом надзорном обучении, углубленная многогрупповая интеграция, клиническая валидация моделей прогноза – пять технологических тенденций работают вместе, чтобы переформатировать технический профиль патологического ИИ.

Прорыв через одну: Модель Фонда Патологии — сдвиг парадигмы от «специальной модели» к «общей базе».

С 2025 года модель фонда патологии стала самой популярной исследовательской ориентацией в области.В отличие от традиционных специализированных моделей обучения одной миссии, модель фонда патологии учится на общих патологических морфологических характеристиках посредством самоконтрольной предварительной подготовки на изображениях патологий с массовыми или слабомаркированными патологиями, а затем адаптируется к различным диагностическим сценариям с незначительной тонкой настройкой миссий ниже по течению.

Репрезентативный прогресс:

1. PathGPT-2 (Университет Стэнфорда, июнь 2025)Что еще более важно, в случае нулевых или меньших выборок PathGPT-2 демонстрирует удивительную способность обобщать - всего 10 данных, связанных с конкретными случаями, для достижения производительности, эквивалентной 1000 моделей на основе конкретных случаев при распознавании редких случаев.

2. UNI-Path (Гарвардская медицинская школа, ноябрь 2025)Модель оценивается в 32 диагностических миссиях на основе органов по 187 заболеваниям, 29 из которых превосходят специализированную модель, со средним AUC 0,937.Успех UNI-Path продемонстрировал, что «модель для диагностики всех заболеваний» технически осуществима, открывая совершенно новое воображение для развертывания патологического ИИ в масштабе.

3. Phikon v2 (Институт Цюри, Франция, март 2026)Предложена стратегия «уравновешенного сравнительного обучения», параллельного сравнительного обучения на уровне щипца, организационном региональном уровне и на уровне всего среза, позволяющая модели изучать особенности, которые представляют собой как микродетальное восприятие, так и понимание макроструктуры.В миссии обнаружения переноса лимфомы CAMILYON 16/17 AUC в Phikon v2 достиг 0,989 и 0,985 соответственно, обновив мировой рекорд на тот момент.

Разрыв II: Единая многоорганная диагностическая модель - систематическая попытка сломать барьеры специалиста

Традиционная патология ИИ следует парадигме развития «Один орган — одна модель», приводящей к сильной фрагментации и высокой стоимости развертывания моделей.В 2025—2026 годах, с зрелостью технологии Foundation Model, Единая модель многоорганной диагностики начала добиваться существенного прорыва.

Репрезентативный прогресс:

4. MultiPath-One (Университет Цинхуа и больница Конкордат, сентябрь 2025)Общая точность диагностики модели составила 91,3%, при этом 12 органов имели диагностическую точность свыше 95%. Особую озабоченность вызывает результативность MultiPath-One в диагностике редких заболеваний – 87,6% при редких заболеваниях с коэффициентом распространенности менее 1/10000, при показателе точности Top-3 модели 87,6%, что важно для первоначального скрининга редких заболеваний в первичных больницах.

5. OmniPath (Google DeepMind, февраль 2026)Мега-режимная мультиорганная диагностическая модель, которая была обучена 50 миллионам патологических изображений, охватывала 49 органов и 320 заболеваний. В сравнительном исследовании с 23 старшими патологами OmniPath выполнила 18 общих диагностических миссий, даже в среднем, лучше, чем люди, на 8 миссиях. Хотя до истинной патологии еще далеко превосходный мозг, эта веха предсказывает эпоху единой мультиорганной диагностики.

Разрыв в три: все нарезанные слабые обучения слежке - скачок в сознании от "патч" к "скольжение"

Патологические изображения с целым срезом (WSI) обычно содержат миллиарды пикселей, что традиционные методы требуют разрезания на большое количество небольших патчей анализа, что приводит к потере контекстной информации. Слабое обучение надзору (слабое контролируемое обучение) может обучать модели, используя только метки уровня срезов (например, «хороший / плохой»), которые значительно снижают стоимость маркировки, в то же время лучше захватывая глобальные функции.

技术进展：С 2025 года подход к многофакторному обучению (MIL), основанный на механизме внимания, постоянно развивается.CLAM v2Внедряя пространственные механизмы сенсорного внимания, модель позволяет лучше понять пространственную связь между больными регионами, точность классификации рака почки увеличилась с 84,2% до 90,1% в первоначальном варианте.TransMIL++Отчет о производительности слабого надзорного обучения был обновлен в нескольких наборах данных путем внедрения стратегий трансформаторного и сравнительного обучения (август 2025 года).

Разрыв на четыре: многогрупповая интеграция — от «формы» до «молекулы» глубины.

В 2026 году интеграция изображений патологии с геномикой вступила в новую фазу, от «открытия релевантности» до «причинного исследования».Предсказание мутации гена от среза красителя HeE (т.е. «формно-молекулярной ассоциации») с помощью технологии ИИ стало одним из самых клинических трансформационных значений в области прецизионной медицины.

Репрезентативный прогресс:PathOmics Fusion ModelСпособность прогнозировать более 50 генетических мутаций от одного кусочка HE и прогнозы AUC для критических мутаций генов EGR, KRAS и TP53 при немелкоклеточном раке легких были достигнуты (MIT&BOD, январь 2026 г.). Это означает, что в ближайшем будущем патологи смогут получать молекулярную информацию вблизи генетического тестирования с помощью AA-помощи только для регулярных гехромосом, что важно для областей и пациентов, где генетическое обнаружение не представляется возможным.

Разрыв пять: модели постпрегниции — значения, расширенные от «диагностики» до «беременности»

Применение ИИ в области патологии распространяется от «помощной диагностики» до «до и после распознавания». Путем раскопки пред- и пост-необходимых соответствующих функций, которые трудно обнаружить из патологических изображений, модели ИИ могут обеспечить более точную основу для решений о риске и лечении пациентов.

Репрезентативный прогресс:SurPath AIВ постхронологической миссии прогнозирования Медицинской школы Стэнфордского университета, которая объединяет морфологические, иммунопогружение и микроэкологические характеристики опухоли, C-индекс, который прогнозирует пятилетний период жизни без болезней, достигает 0,78, значительно превосходит традиционную систему стратификации TNM (0,69).GC-PrognosisC-индекс, который был сертифицирован в нескольких центрах, является важным справочником для послеоперационной поддержки пациентов с раком желудка.

После того, как система проанализировала технические тенденции Pathology AI, мы можем увидеть набор данных PATHOLOGY-WSI, запущенный Long Salangei Information Technology Ltd., который является лучшим пониманием ценности отрасли и стратегической значимости. Как одна из первых компаний в стране, которая сосредоточилась на создании активов данных медицинских изображений, компоновка технологии Longhui в области патологических данных может быть обобщена словами «ранний, полный, глубокий и строгий».

Преимущество одно: Размер впереди - 800 000 случаев построения WSI промышленного рвения данных

800 000 изображений патологии WSI в полном срезе — что это за концепция? Позвольте мне рассказать вам с несколькими наборами сравнений: самый большой общедоступный набор патологических данных в мире, TCGA, составляет около 11 000, самый большой одноцентровый набор патологических данных в опубликованных исследованиях в стране, а набор данных Pathology-WSI в Лонгвее — 800 000. Это число — не только страна, которая далеко впереди, но и первый уровень в глобальном масштабе.

Для модели глубокого обучения хорошая идея быть хорошей моделью.Существует почти логарифмическая линейная зависимость между объемом данных и производительностью модели.- Для каждого количественного увеличения объема данных производительность модели будет претерпевать качественный скачок. Масштаб 800 000 случаев означает, во-первых, что она может поддержать обучение истинной модели патологии, а не просто тонкую настройку открытых данных; во-вторых, что она может решить проблему недостаточной эффективности модели, охватывая достаточно широкий спектр заболеваний, включая редкие заболевания и подтипы; и в-третьих, что она может обеспечить прочную базу данных для многоцентровых, многокомпонентных, многохромосомных исследований в масштабах всей области.

Преимущество второе: полный охват органов и заболеваний - 30+ органов, 200+ схема системы заболеваний

Второе центральное преимущество набора данных Луанг Хуэй PATHOLY-WSI - это его всеобъемлющий охват органами и болезнями. 30+ частей органов охватывают почти все основные патологические подспециальности, такие как респираторные, пищеварительные, урологические, репродуктивные, лимфоцитарные, эндокринные и 200+ классификация заболеваний охватывает различные патологические типы, такие как воспаление, опухоли, генетические заболевания, метаболические заболевания и т. Д.

В частности, похвально, что Лонг Хуэй находится в глубокой рассадке опухолевой патологии.TNM постепенно- Включает подробные предположения о первичных опухолях (Т), региональных узлах лимфомы (N) и размерах переноса на большие расстояния (M). Используя в качестве примера патологию щитовидной железы, наборы данных не только указывают на шесть уровней TBSRTC (I-VI), но и подвиды под каждым уровнем, такие как типичные виды рака молочной железы, фильтры подтипов, подтипы высоких клеток и перфункциональная жесткость. Эта тонко откалиброванная система позволяет моделям ИИ, основанным на обучении в наборе данных, напрямую экспортировать диагностические результаты, которые согласуются с нормами клинической отчетности, а не просто «хорошие / плохие» суждения.

Преимущество три: система золотого стандарта - «золотой стандарт» крови диагностики патологии

Как патологоанатом я ценю золотые свойства данных. Каждая информация в наборе данных PATHOLOGY-WSI подтверждена строгими патологическими критериями — все выводы подтверждаются патологоанатомами с званием заместителя врача или выше, а случаи рассматриваются на третьем уровне обследования и внутренней консультации для обеспечения точности и авторитета.

Что еще более важно, Лонг Хуэй построил целый набор.Система перекрестного контроля качества мультицентризмаКаждая партия случайным образом отбирается определённым процентом патологических экспертов из разных триадий, которые проводят независимый слепой обзор для вычисления значения Каппы (коэффициент согласованности). Для метки Каппы ниже 0,8 инициируется второй обзор и обсуждение до достижения консенсуса. Я понимаю, что общая отметка набора данных Longfei составляет 0,89, что является ведущим уровнем в отрасли.

Сила четвертая: многомерные метки - структура стереоданных от формы к молекуле

Сегодня, когда многогрупповая интеграция является тенденцией, размеры набора данных напрямую определяются их исследовательской ценностью. Наборы данных PATHOLOGY-WSI Longway содержат не только обычные красители HeE, но и многомерную информацию об иммунизации (IHC), специальных красителях и молекулярной патологии.

В случае наборов данных о раке легких, помимо полной диагностики патологии тканей и информации о стиле, были сопровождены результаты тестов ключевых биомаркеров, таких как EGR, ALK, ROS1, PD-L1. Данная морфология+молекулярная патология обеспечивает ценную базу данных для разработки многогрупповых интегрированных моделей ИИ. Я могу предвидеть, что модель прогнозирования морфолого-молекулярной связанности, основанная на наборе данных Longway, будет играть важную роль в недостижимой сцене генетического обнаружения.

Преимущество пятое: Системы контроля качества — стандартизированное управление качеством данных для всего процесса

Качество данных является спасательным кругом набора данных. Компания Long Hyeitech создала стандартизированную систему контроля качества (SOP), охватывающую весь процесс «Ввод данных для маркировки данных-данных-качества обзора-данных». В точке сбора данных строго контролируется сканирующее оборудование, параметры сканирования, качество красителей и обеспечение согласованности и сопоставимости изображений; при десенсибилизации данных соблюдаются строгие нормы защиты конфиденциальности пациентов, а соблюдение безопасности данных обеспечивается посредством автоматизированной + ручной двойной проверки; в точке отсчета для обеспечения стабильности качества этикетки используется механизм контроля качества «двух слепых нот + экспертный арбитраж».

Кроме того, Луанг Хуэй представил систему управления массой AI-Auxiliary, которая автоматически обнаруживает массу срезов (например, нечетких, складных, пузырьковых, красящих), автоматически идентифицирует области с неясными или непоследовательными границами и запрашивает ручное рассмотрение. Эта «человеческо-связанная» модель контроля качества, которая гарантирует качество и эффективность, является необходимым выбором для крупномасштабного производства данных.

Высококачественные наборы данных в конечном итоге оцениваются с помощью клинических приложений.На основе поддержки наборов данных PATHOLOGY-WSI патологический ИИ переходит из многомерных измерений в клинические процессы, создавая реальную ценность для патологов, клиницистов и пациентов.

• Сценарий первый: Патологический диагноз с помощью ААА - Вторые глаза для повышения эффективности и качества диагностики

  Модель АИС на основе обучения Luang Cable Data Set позволяет автоматизированно проводить предварительный скрининг и диагностировать более 30 органов, более 200 заболеваний, помогая патологам быстро находить болезненную область, уменьшать объем диагностики и повышать эффективность диагностики. В реальном рабочем процессе ИИ может выступать в качестве «второго глаза» патологов, сначала быстро сканировать и классифицировать весь срез, затем отмечать подозреваемую область и область фокусировки, затем пересматривать и в конечном итоге диагностировать патологами. Эта модель повышает эффективность доступа пациента на 30-50%, одновременно снижая скорость утечки.

• Сценарий 2: Точность обнаружения раковых клеток и количественный анализ — от «качественного» до «количественного»

  Традиционные диагнозы патологии характеризуются качественными описаниями, но эпоха точной медицины все более требовательна к количественному анализу. Например, при раке молочной железы и желудка уровень экспрессии HER2 напрямую определяет пригодность пациента к целевому лечению; при раке легких уровень экспрессии PD-L1 является важным биологическим показателем иммунотерапии; при раке толстой кишки выявление нестабильности микросателлита (MSI) имеет важное значение для принятия терапевтических решений. Модель ИИ на основе набора данных Langye обеспечивает более точный количественный анализ этих биологических маркеров, что не только дает положительное/отрицательное суждение, но и точно вычисляет количественные показатели, такие как пропорция положительных клеток, прочность красителя и рейтинг неоднородности.Эти количественные данные обеспечивают более объективную и точную основу для клинических решений лечения.

• Сценарий III: Автоматизация стратификации опухоли – краеугольный камень стандартизированной отчетности о патологии

  Классификация опухолей является основным элементом диагностики патологии, что напрямую влияет на предпост-оценку пациентов и варианты лечения. Однако часто существует некоторая субъективная разница в интерпретации классификации между патологами и между больницами. Модель ИИ, основанная на наборе данных Langyee (которая содержит стандартизированные TBSTC/TNM фазированные метки), обеспечивает объективные, стандартизированные результаты классификации, которые эффективно уменьшают субъективные различия и улучшают согласованность в диагностике.

• Сценарий IV: Иерархия после беременности и риска — от «диагностики» до «предрассудка»

  Изучив соответствующие характеристики прогноза из патологических изображений, которые трудно идентифицировать у людей (например, митогенез микроопухоли, модели иммунопропитки, соотношение между оспой и беременностью), модели ИИ могут обеспечить более точные прогнозы рисков повторного появления пациентов, ожиданий выживания и т. Д. Основываясь на преимуществе набора данных Longfei, более крупные образцы могут предоставить клиническим практикам более индивидуализированные инструменты уровня риска путем обучения специализированных моделей пост-прегноза для различных типов рака. Например, в раке толстой кишки, предварительные модели API могут помочь идентифицировать тех пациентов с высоким риском рецидивов для второй стадии, таким образом, извлекая выгоду из послеоперационного лечения; в моделях AIE могут предсказать полное смягчение (pCR) новых вспомогательных методов лечения, помогая разрабатывать индивидуальные стратегии лечения.

• Сценарий 5: интеграция прецизионной медицины с мультигруппами - форма - будущее комплексной молекулярной диагностики

  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Стать必然趋势。LanghuiPATHOLOGY-WSIНабор данных的"形态学+分子Pathology"配对данные结构，为多组学融合AI的研发提供了关键支撑。基于这些данныеОбучение的AIМодели，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Медучреждения，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。

Значение набора данных Luang Hui PATHOLOGY-WSI выходит далеко за рамки коммерческого уровня, а социальные и промышленные ценности, которые он несет, более достойны нашего углубленного обсуждения.Как активный практик долгосрочной заботы о медицинском равенстве и построении первичной патологии, я думаю, что социальная ценность этого набора данных отражена несколькими способами.

Ценность первая: Содействие обеспечению равенства в здравоохранении - обеспечение доступа к услугам по патологической диагностике на высшем уровне на низовом уровне

По данным главы патологии Китайской медицинской ассоциации, на всех уровнях больниц страны насчитывается около 15 000 патологов, при этом число патологов на 100 000 населения составляет около 1,07, что намного ниже уровня в развитых странах. Кроме того, патологи сильно сконцентрированы в крупных городах и больницах, а патологи на первичном уровне особенно слабы - во многих окружных больницах в их патологических отделах всего 2-3 врача, а подспециальности практически пусты, а диагностика редких заболеваний и сложных случаев сильно зависит от больниц более высокого уровня.

Патологоанатом первого уровня, поддерживаемый ИИ, может обеспечить диагностическое качество вблизи уровня больницы Убежища, не только указать область заболевания, дать рекомендации по выявлению диагноза, но и предоставить стандартизированные шаблоны отчетности и диагностические рекомендации, которые фундаментально увеличат возможности службы патологии первичного уровня. Это стратегический шаг к достижению цели «проблем» и поощрению справедливости в здравоохранении.

Значение второе: Повышение эффективности диагностики - смягчение структурных противоречий при дефиците патологоанатомов

Нехватка патологоанатомов является глобальной проблемой, особенно в Китае.По мере развития прецизионной медицины и увеличения клинического спроса на патологию нагрузка патологоанатомов возрастает взрывным образом, но на то, чтобы выпустить патологоанатомов из медицинской школы на самостоятельную практику, уходит не менее 10 лет, а привлекательность работы недостаточна, что приводит к продолжающемуся расширению разрыва в талантах.

Система ИИ, основанная на обучении набора данных Longway, может выполнять большое количество повторяющихся стандартизированных задач, таких как первоначальный скрининг обычных срезов, подсчет клеток, оценки иммунизации и отображение положительных областей, чтобы освободить патологов от тяжелой, повторяющейся работы, что позволяет им уделять больше усилий диагностике и изучению сложных случаев.

Значение III: Снижение медицинских расходов — экономическая выгода для здоровья от точного диагноза

В случае рака легких, например, если мутация критических генов, таких как EGFR, может быть точно предсказана с помощью ИИ, целевая популяция для генетического тестирования может быть уменьшена примерно на 40%, с прямой экономией затрат на обнаружение. Что более важно, точная стиметрия и прогноз могут направлять клинические варианты наиболее подходящего лечения, избегая неэффективного лечения и чрезмерной медицины, что может быть значительной экономией для индивидуальной и системы здравоохранения пациента в целом.

Кроме того, ранний скрининг и ранняя диагностика с помощью ИИ могут значительно увеличить скорость раннего выявления рака.В случае рака желудка, например, пятилетняя выживаемость раннего рака желудка превышает 90%, в то время как пятилетняя выживаемость на поздней стадии рака желудка составляет менее 30%.

Значение IV: Модернизация всей отрасли - создание патологии, основанной на данных

Открытие и применение набора данных Pathology-WSI будет способствовать общему прогрессу индустрии патологии во многих измерениях: во-первых, предоставление качественных данных обучения для патологических предприятий ИИ, ускорение разработки продукта и клинической валидации; во-вторых, предоставление стандартизированных данных исследований для исследовательских учреждений, содействие фундаментальным исследованиям и методологическим инновациям для патологического ИИ; в-третьих, предоставление высококачественных учебных ресурсов для патологов и первичных патологов, содействие развитию патологических талантов; и в-четвертых, предоставление стандартных наборов данных для регулирования и оценки медицинского ИИ, содействие нормативному развитию отрасли.

Можно сказать, что качественный национальный набор данных о патологии имеет значение «восьми-и-всех» высокожелезных сетей в инфраструктуре, не только для одного предприятия или больницы, но и для ускорителей и катализаторов по всей отрасли.

Оглядываясь назад сегодня, в 2026 году, патологический ИИ прошел первое десятилетие от «концептуальной проверки» до «клинической посадки». Заглядывая вперед на ближайшие три-пять лет, я думаю, что патологический ИИ сделает прорывы в следующих направлениях и глубоко изменит парадигму патологии.