weijian/2026-USCAP-AI-Pathology-Report: 2026-USCAP-AI-Pathology-Report把脉:学术发现→产业映射——2026年USCAP年会新兴技术与AI整合报告(完整版)

2026-USCAP-AI-Pathology-Report 把脉:学术发现→产业映射——2026年USCAP年会新兴技术与AI整合报告(完整版) 把脉:学术发现→产业映射 2026年USCAP年会新兴技术与AI整合报告:从Stowell-Orbison学术前沿到参展商全景 原作者匿名,深入研究者 魏建华 广州华银医学检验中心有限公司 weijianhualai@gmail.com 引言 2026年3月,美国-加拿大病理学会(USCAP)年会在圣安东尼奥召开。这场病理学界的年度盛会呈现了一个独特的景观:Stowell-Orbison专场的学术海报与展厅中20余家AI参展商的产品演示形成了前所未有的呼应。当学术研究者在海报前讨论空间组学如何预测肿瘤复发时,几步之遥的展位上,企业正在演示将同类技术转化为临床产品的路径。 本报告采用"把脉"的视角——如同中医通过脉象洞察全身状态——通过追踪六项Stowell-Orbison学术亮点与对应产业解决方案之间的映射关系,诊断病理AI领域的发展脉络。我们发现,2026年标志着一个关键转折点:学术前沿不再停留于概念验证阶段,而是与产品设计、临床验证和商业部署形成完整闭环。 这种"学术-产业共振"并非偶然。过去五年间,数字病理学的基础设施日趋成熟——全切片图像扫描仪的普及、云计算能力的提升、以及监管框架的逐步明晰——为AI从实验室走向临床铺平了道路。与此同时,病理医师短缺的全球性危机、精准医学对多组学整合的需求、以及新冠疫情加速的数字化转型,共同构成了推动这一领域快速发展的时代背景。 本报告分为两大部分:第一部分逐一解析六项Stowell-Orbison学术亮点,深入探讨其科学意义、技术背景,并映射至相应的产业解决方案;第二部分从宏观视角归纳四大协同趋势,并提出对病理医师和实验室管理者的实践建议。我们的目标是为参会者提供一份"导航图"——既能理解学术研究的"为什么",也能把握产业产品的"如何做"。 第一部分:Stowell-Orbison学术亮点与AI技术映射 1. 空间组学与AI:从显微镜下残留病灶到复发预测(海报357) Naijia Liu等利用Singular Genomics G4X平台对前列腺癌切除标本进行单细胞空间图谱分析,发现了常规组织学无法检测的残留恶性细胞群及免疫排斥微环境,并训练AI模型直接从HE染色切片预测空间基因/蛋白表达。这项研究提出了一个核心需求:如何将高维空间组学数据转化为临床可操作的HE生物标志物。 空间组学的技术革命与临床意义: 空间组学技术正在重新定义我们对肿瘤微环境的理解。传统的基因表达分析(如bulk RNA测序)提供的是组织匀浆后的平均信号,丢失了关键的空间信息;而单细胞测序虽然提供了细胞级分辨率,却在组织解离过程中破坏了细胞的原位定位。空间转录组学技术的出现填补了这一空白——它能够在保持组织结构完整的同时,获取每个细胞或微区域的基因表达谱。 海报357的核心发现——常规组织学无法检测的残留恶性细胞群——具有重要的临床意义。前列腺癌根治术后的生化复发(PSA升高)是临床常见问题,但传统病理学评估往往无法预测哪些患者会复发。空间组学揭示的"免疫排斥微环境"可能是复发的关键预测因子:当残留癌细胞周围缺乏有效的免疫监视时,复发风险显著升高。 从空间组学到HE预测:AI的桥梁作用: 海报357最具转化价值的部分是"训练AI模型直接从HE染色切片预测空间基因/蛋白表达"。这一思路的临床意义在于:空间组学检测成本高昂、技术复杂、周转时间长,难以在常规临床实践中普及;而HE染色切片是每个病理科的标准产出。如果AI能够从HE切片中"读取"空间组学信息,就相当于为每位患者提供了免费的分子检测。 这一技术路径已有坚实的学术基础。Chen等人2024年在Cell发表的TANGLE模型证明,通过将组织病理学图像与空间转录组数据对齐,可以学习到具有生物学意义的组织表征,并在多个独立队列中预测患者预后。Xu等人2024年在Nature Communications发表的SEPAL模型则专门针对空间基因表达预测,在多种癌症类型中实现了从HE图像到空间转录组的准确推断。Chen等人2025年在Nature Methods发表的VISTA模型更进一步,作为首个视觉-组学基础模型,在22个独立队列中将预后预测准确性提高了22%。 产业映射: PathAI(249号展位) 的AISight®平台集成TumorDetect和AIM-PD-L1等算法,已具备多模态数据融合能力——其展示的"AI驱动的病例优先排序"研究正呼应了从复杂数据中提取关键特征的需求。PathAI的技术路线与海报357高度一致:通过AI将高维数据(无论是空间组学还是多重免疫荧光)转化为可操作的临床决策支持。其与制药企业的广泛合作(包括生物标志物发现和伴随诊断开发)证明了这一路径的商业可行性。 Visiopharm(219号展位) 的IVDR认证AI应用程序可直接对HE切片进行空间表型分析,其与Sectra PACS的自动化集成工作流,正是海报中所设想的"可扩展框架"的现实版本。Visiopharm的优势在于其监管合规性——IVDR认证意味着其产品已通过欧盟体外诊断医疗器械法规的严格审查,可直接用于临床诊断。这对于将空间分析从研究工具转化为临床常规至关重要。 ViewsML(455号展位) 的核心技术——从HE虚拟预测多重免疫荧光——几乎是对海报357思路的产业实现。其展示的NSCLC免疫细胞空间表达预测海报(3月24日)直接证明了该路径的可行性。ViewsML的技术本质上是在回答海报357提出的核心问题:如何将空间组学的洞察转化为每位患者都能获得的HE生物标志物。其在非小细胞肺癌中的应用展示了这一技术在免疫治疗患者分层中的潜在价值。 2. AI辅助诊断的"提升下限"效应:培训与质量均质化(海报358) Agnes Udoh等通过随机交叉试验证明,AI辅助将前列腺活检诊断时间缩短21.5%,总体准确性提高4.3%,尤其对受训人员和非泌尿生殖亚专科医师增益最大(最高达10.8%),且不损害专家表现。这项研究为AI在病理培训和基层能力建设中的角色提供了最高级别的证据。 随机交叉试验的方法学意义: 海报358采用的随机交叉试验设计是评估AI辅助诊断效果的金标准方法。在这种设计中,每位病理医师既作为自己的对照(有AI vs 无AI),又通过随机化消除了病例难度和阅片顺序的混杂效应。这种严谨的方法学使得研究结论具有高度的内部效度。 更重要的是,该研究纳入了不同经验水平的病理医师——从住院医师到亚专科专家——这使得研究结论具有广泛的外部效度。结果显示的"差异化增益"模式(新手获益最大,专家获益最小但不受损害)为AI的临床定位提供了关键证据:AI不是要取代专家,而是要将非专家的表现提升到接近专家水平。 "提升下限"的医疗公平性意义: 海报358的发现具有深远的医疗公平性意义。全球病理医师分布极不均衡:高收入国家每百万人口约有50-100名病理医师,而许多中低收入国家这一数字不足1。即使在发达国家内部,城乡差距和专科分布不均也是普遍问题——社区医院的普通病理医师可能需要处理各种亚专科病例,而缺乏相应的专业培训。 AI的"提升下限"效应意味着:通过部署AI辅助系统,基层医疗机构可以提供接近专科中心水平的诊断质量。这不仅能改善患者预后,还能减少不必要的转诊和重复活检,降低医疗系统的整体成本。Bera等人2019年在Nature Reviews Clinical Oncology的综述指出,AI在病理学中的最大价值可能不在于超越人类专家,而在于使高质量诊断变得更加普及和可及。 AI辅助培训的教育学价值: 海报358的另一个重要发现是AI对受训人员的显著增益。这提示AI不仅是诊断工具,更可以成为教学工具。传统的病理学培训依赖于"学徒制"——住院医师在资深病理医师的指导下逐步积累经验。这种模式的局限在于:教学质量取决于带教老师的水平和时间投入,且学习曲线漫长。 AI辅助培训可以提供标准化、即时、个性化的反馈。当住院医师阅片时,AI可以实时标注可疑区域、提示鉴别诊断、甚至解释其推理过程。这种"AI导师"模式可以加速学习曲线,同时确保培训质量的一致性。Garcia等人2025年在American Journal of Clinical Pathology发表的AI生命周期框架特别强调了AI在病理教育中的潜在价值。 产业映射: Ibex Medical Analytics(231号展位) 发布的新一代Ibex 4平台,其"零点击"免疫组化工具和端到端乳腺癌工作流,本质上是在产品层面兑现"提升诊断下限"的承诺。Ibex已在多国获得临床许可,其Galen®系列正是为应对工作量和培训差距而设计。Sandbank等人2022年发表的多中心验证研究显示,Ibex的乳腺癌AI在真实临床部署中成功发现了病理医师初始遗漏的癌症病例,证明了AI作为"安全网"的价值——这正是"提升下限"的具体体现。 Proscia(201号展位) 在2026年KLAS数字病理学评级中获美国最高综合绩效分(95.2分),其Concentriq®平台被广泛用于住院医师培训和跨机构质量校准。海报358的结论可视为对Proscia等平台价值的独立临床验证。Proscia的Concentriq® Embeddings功能让数据科学家和病理医师都能快速构建AI模型,降低了技术门槛——这种"低代码"方法论正是实现AI民主化的关键。 Mindpeak(718号展位) 与Leica Biosystems新签署的全球经销协议,意味着其AI评分工具(HER2、Ki67、PD-L1)将更易触达非专科病理医师——这正是海报中"最可能获益人群"的目标用户。Mindpeak的产品定位精准地瞄准了"提升下限"的需求:对于缺乏乳腺病理专业培训的普通病理医师,AI辅助的HER2评分可以显著提高准确性和一致性,减少因评分错误导致的治疗决策失误。 3. 新型生物标志物与数字病理整合:PERK阳性多倍体巨细胞癌细胞在卵巢癌中的预后价值(海报359) Rasha Mohammed等发现表达PERK的多倍体巨细胞癌细胞(PGCC)与高级别浆液性卵巢癌的不良预后显著相关(HR=2.1),并通过数字病理学实现标准化定量。这项研究凸显了AI在稀有细胞亚群检测和免疫组化定量中的不可替代性。 多倍体巨细胞癌细胞:肿瘤异质性的新维度: 多倍体巨细胞癌细胞(Polyploid Giant Cancer Cells, PGCC)是近年来肿瘤生物学研究的热点。这些细胞具有异常增大的细胞核(通常含有多个核或巨大的多倍体核),长期以来被认为是肿瘤进展过程中的"副产品"或"死胡同"。然而,越来越多的证据表明,PGCC实际上是肿瘤干细胞的一种特殊形式,具有强大的耐药性和转移潜能。 PGCC的形成与多种应激条件相关,包括化疗、放疗、缺氧等。在这些应激条件下,肿瘤细胞通过内复制(endoreplication)或细胞融合形成多倍体状态,进入一种类似休眠的状态,逃避治疗的杀伤。当应激解除后,PGCC可以通过不对称分裂产生具有正常倍性的子代细胞,重新启动肿瘤生长。这一机制被认为是肿瘤复发和耐药的重要原因。 PERK信号通路与PGCC的生物学联系: 海报359关注的PERK(Protein kinase R-like ER kinase,内质网应激感受器)是未折叠蛋白反应(Unfolded Protein Response, UPR)的关键组分。当细胞面临内质网应激时,PERK通过磷酸化eIF2α抑制整体蛋白合成,同时选择性上调应激适应基因的表达。这一机制使细胞能够在应激条件下存活。 PERK与PGCC的联系具有深刻的生物学意义:PGCC的形成和维持需要强大的应激适应能力,而PERK信号通路正是这种能力的分子基础。海报359发现PERK阳性PGCC与不良预后相关(HR=2.1),提示这一细胞亚群可能代表了肿瘤中最具侵袭性和耐药性的成分。这一发现为卵巢癌的预后分层和治疗靶点开发提供了新的方向。 数字病理学在稀有细胞定量中的优势: 海报359的方法学亮点在于"通过数字病理学实现标准化定量"。PGCC在肿瘤组织中通常是稀有细胞群(可能仅占肿瘤细胞的1-5%),传统的人工计数存在以下问题:耗时、主观性强、观察者间变异大、且难以在大规模队列中实施。 数字病理学和AI的结合可以克服这些局限。深度学习模型可以在全切片图像中自动识别和计数PGCC,不仅速度快(数分钟内完成整张切片的分析),而且结果高度可重复。更重要的是,AI可以同时评估多个参数(如细胞大小、核形态、PERK染色强度),生成多维度的定量数据,为后续的生存分析和生物标志物开发提供坚实基础。 Baxi等人2022年在Modern Pathology发表的综述指出,AI在免疫组化定量中的应用正在从研究工具向临床诊断转化,其标准化和可重复性优势对于新型生物标志物的开发和验证至关重要。 产业映射: Aiforia(516号展位) 的Clinical Suites专为这类任务设计——其深度学习模型可自动识别和计数特定细胞表型,且平台支持用户自建算法,非常适合像PERK阳性PGCC这样的新型标志物从发现到临床转化的过渡。Aiforia的独特优势在于其"无代码"AI开发环境:病理医师无需编程知识,只需标注少量训练样本,即可训练出针对特定细胞类型的检测模型。这种低门槛的方法论对于新型生物标志物的快速验证至关重要——研究者可以在数周内完成从概念到原型的转化,而无需依赖专业的AI团队。 Visiopharm(219号展位) 的IVDR认证应用程序系列中,有多款针对肿瘤微环境中的稀有细胞群定量工具,其"全自动AI分析集成工作流"可直接应用于海报359中的40例样本的回顾性分析。Visiopharm的优势在于其成熟的监管合规框架——对于希望将新型生物标志物推向临床应用的研究者,选择已有IVDR认证的平台可以显著缩短监管审批时间。此外,Visiopharm与Sectra PACS的深度整合意味着分析结果可以无缝融入临床工作流,便于病理医师审核和签发报告。 AIRA Matrix(751号展位) 的AIRAProstate和AIRAPredict虽以前列腺为主,但其ISO 13485认证的AI分析框架同样适用于卵巢癌,且其PredTox模块展示了多模态数据融合能力。AIRA Matrix的技术路线强调"从形态学到分子"的预测——这与海报359的思路一致:通过AI分析HE和免疫组化切片,预测分子层面的特征(如PERK表达状态),从而减少对昂贵分子检测的依赖。其ISO 13485认证表明其质量管理体系符合医疗器械的国际标准,为临床转化奠定了基础。 4. AI增强核型分析:检测低负荷克隆改变治疗决策(海报360) Ying Wang等使用AI增强的100个中期分裂相核型分析,在套细胞淋巴瘤中检测出2-3%的异常克隆,直接改变了治疗升级决策。该研究将AI的敏感性优势推向细胞遗传学这一传统上依赖人工阅片的领域。 核型分析的临床意义与技术瓶颈: 核型分析是血液肿瘤诊断和预后评估的基石技术。通过分析中期分裂相的染色体形态和数目,可以检测出染色体易位、缺失、扩增等异常,这些异常往往具有重要的诊断和预后意义。例如,套细胞淋巴瘤的特征性t(11;14)易位、慢性髓系白血病的t(9;22)费城染色体、以及急性早幼粒细胞白血病的t(15;17)易位,都是指导治疗决策的关键遗传标志。 然而,传统核型分析存在显著的技术瓶颈。标准流程要求细胞遗传学技师手动分析20个中期分裂相——这一数字是基于统计学考量(检测10%以上克隆的95%置信度)和实际工作量的平衡。但对于低负荷克隆(如海报360中的2-3%异常克隆),20个分裂相的敏感性严重不足。理论上,检测2%克隆需要分析约150个分裂相,检测1%克隆需要约300个分裂相——这在人工阅片模式下几乎不可能实现。 低负荷克隆的临床意义: 海报360的核心发现——2-3%的异常克隆直接改变治疗升级决策——具有重要的临床意义。在血液肿瘤中,低负荷克隆往往代表疾病的早期阶段或微小残留病灶。早期检测这些克隆可以实现: 1. 更早的治疗干预:在克隆扩增到临床显著水平之前启动治疗,可能改善预后。 2. 更精准的风险分层:低负荷高危克隆的存在可能提示需要更积极的治疗策略。 3. 更敏感的疗效监测:治疗后残留的低负荷克隆可能预示复发风险。 套细胞淋巴瘤是一种侵袭性B细胞淋巴瘤,预后差异大。传统的预后因素(如MIPI评分)主要基于临床参数,而遗传学异常(如TP53突变、复杂核型)是独立的不良预后因素。海报360的发现提示,通过AI增强的高敏感度核型分析,可以检测出传统方法遗漏的高危克隆,从而实现更精准的风险分层。 AI在染色体图像分析中的技术优势: AI在核型分析中的应用解决了人工阅片的两大瓶颈:通量和一致性。深度学习模型可以在数分钟内分析数百个中期分裂相,而人工分析同样数量可能需要数小时甚至数天。更重要的是,AI的分析标准完全一致,不受疲劳、主观判断等因素影响。 AI核型分析的技术路线通常包括以下步骤:首先,通过图像分割算法识别中期分裂相中的单个染色体;然后,通过分类算法将每条染色体归类到1-22号常染色体或X/Y性染色体;最后,通过异常检测算法识别数目异常(如三体、单体)和结构异常(如易位、缺失)。近年来,基于深度学习的端到端方法逐渐取代了传统的多步骤流程,在准确性和鲁棒性上都有显著提升。 产业映射: Techcyte(701号展位) 的统一临床与解剖病理AI平台,虽以细胞学(宫颈、尿液)见长,但其深度学习架构天然适用于染色体图像的分析。其"全实验室AI化"愿景与海报360所呼吁的"新敏感性标准"高度一致。Techcyte的技术优势在于其云原生架构和统一的AI框架——同一平台可以部署多种细胞形态学分析算法,从宫颈细胞学到染色体核型分析。这种统一架构降低了实验室的IT复杂性,也便于AI模型的持续更新和改进。 Scopio Labs(716号展位) 的全流程自动化血细胞形态学方案,展示了AI在血液病理学中的成熟应用。尽管聚焦于外周血,但其全视野成像和异常细胞检测技术可延伸至骨髓染色体分析。Scopio Labs的独特之处在于其"全视野成像"技术——与传统显微镜的视野限制不同,Scopio的系统可以一次性采集整个涂片的高分辨率图像,然后由AI进行全面分析。这种方法论与海报360的"100个分裂相"思路一致:通过扩大分析范围来提高敏感性。 aetherAI(731号展位) 的True GigaPixel AI技术能够直接处理超大全切片图像,无需繁琐的patch切割——这恰好解决了核型分析中需要同时保持高分辨率和全局视野的痛点。传统的深度学习方法在处理全切片图像时,通常需要将图像分割为小块(patch)分别处理,然后再整合结果。这种方法在核型分析中存在问题:染色体的识别需要同时考虑局部细节(如着丝粒位置、带型)和全局上下文(如染色体相对大小、整体核型模式)。aetherAI的True GigaPixel技术通过直接处理完整图像,保留了这种全局-局部的关联性,可能在复杂核型异常的检测中具有优势。 5. 甲基化纯度估计:PureBoost为肿瘤分类保驾护航(海报361) Ian Lagerstrom等开发了基于DNA甲基化数据的无需参考的肿瘤纯度估计模型PureBoost,可显著改善低纯度样本的聚类和拷贝数分析。该研究为甲基化这一关键诊断工具提供了关键的预处理步骤。 DNA甲基化在肿瘤诊断中的核心地位: DNA甲基化是表观遗传学的核心机制之一,指的是在DNA序列的胞嘧啶残基上添加甲基基团(主要发生在CpG二核苷酸位点)。与基因突变不同,甲基化模式是可逆的、组织特异性的,且在肿瘤发生发展过程中发生系统性改变。这些特性使DNA甲基化成为肿瘤诊断和分类的强大工具。 在中枢神经系统肿瘤领域,DNA甲基化分类已成为诊断金标准。2021年WHO中枢神经系统肿瘤分类明确将甲基化谱纳入诊断标准,用于区分形态学相似但生物学行为迥异的肿瘤亚型。例如,儿童型弥漫性高级别胶质瘤可通过甲基化谱细分为多个预后截然不同的分子亚型,而这些亚型在传统组织学上难以区分。Capper等人2018年在Nature发表的里程碑研究建立了涵盖82种中枢神经系统肿瘤类型的甲基化分类器,准确率超过99%。 肿瘤纯度:甲基化分析的阿喀琉斯之踵: 尽管甲基化分类具有强大的诊断能力,但其准确性高度依赖于样本的肿瘤纯度。临床样本中不可避免地混杂着正常细胞(如血管内皮细胞、免疫细胞、基质细胞),这些非肿瘤细胞的甲基化信号会"稀释"肿瘤特异性的甲基化模式,导致分类准确性下降。 低纯度样本在临床实践中并不罕见。某些肿瘤类型(如弥漫浸润性胶质瘤)天然与正常脑组织混杂;小活检样本可能因取样位置不佳而含有大量正常组织;治疗后样本可能因肿瘤细胞减少而纯度降低。在这些情况下,甲基化分类器可能给出错误的分类结果或"无法分类"的结论,影响临床决策。 海报361提出的PureBoost模型正是针对这一痛点。通过在分类前估计并校正肿瘤纯度,可以显著改善低纯度样本的分类准确性。更重要的是,PureBoost是"无需参考"的方法——不需要预先知道肿瘤类型或配对的正常样本,这使其具有广泛的临床适用性。 纯度估计的技术路径与挑战: 肿瘤纯度估计有多种技术路径,各有优劣。传统方法包括:病理医师的形态学估计(主观性强、变异大)、基于拷贝数变异的计算方法(如ABSOLUTE、ASCAT)、以及基于等位基因频率的方法。这些方法通常需要额外的数据类型(如SNP阵列、全外显子测序)或配对正常样本,增加了成本和复杂性。 基于甲基化数据本身进行纯度估计是一种优雅的解决方案——无需额外检测,直接从诊断数据中提取纯度信息。其原理是利用肿瘤细胞与正常细胞在特定CpG位点上的甲基化差异:某些位点在肿瘤中高度甲基化而在正常组织中未甲基化(或反之),这些位点的甲基化水平可以反映肿瘤细胞的比例。 PureBoost采用机器学习方法(可能是梯度提升算法,从名称推断)整合多个CpG位点的信息,实现稳健的纯度估计。其"无需参考"的特性意味着模型不依赖于特定肿瘤类型的先验知识,具有良好的泛化能力。 产业映射: 西门子医疗(323号展位) 的Syngo Carbon IDM平台虽以数据集成闻名,但其在多模态数据(影像、病理、基因组)融合上的布局,需要像PureBoost这样的纯度校正模块来保证下游分析的可靠性。其午餐研讨会"从愿景到临床现实"正是讨论这类基础设施问题。西门子医疗的战略定位是成为精准医学的"数据中枢"——整合来自不同来源的诊断数据,为临床决策提供全面支持。在这一愿景中,数据质量控制(包括肿瘤纯度估计)是不可或缺的环节。PureBoost这类工具可以作为数据预处理模块,确保进入下游分析的甲基化数据具有足够的质量。 Tempus AI(542号展位) 收购Paige后,其AI产品线涵盖从HE染色到分子标志物的全链条。海报361中的纯度估计可与其展示的"基于HE的肺癌分子改变预测LDT"形成互补——更准确的纯度意味着更可靠的分子预测。Tempus的核心竞争力在于其庞大的多模态数据库和端到端的分析能力。在其技术栈中,肿瘤纯度是连接形态学分析和分子分析的关键参数:HE切片上的AI分析可以提供形态学纯度估计,而甲基化数据上的PureBoost可以提供分子层面的纯度估计,两者的整合可以实现更准确的质量控制和更可靠的下游分析。 PathAI(249号展位) 的AIM-Tumor Cellularity模块正是用于评估肿瘤细胞性,与PureBoost目标一致但技术路径不同(HE染色形态学 vs 甲基化分子特征)。两者结合可能成为多模态纯度估计的新范式。PathAI的AIM-Tumor Cellularity基于深度学习分析HE染色切