癌症诊断历来是一项精密而复杂的工作——病理学家需要借助显微镜仔细审视每一片组织切片，在密密麻麻的细胞中捕捉癌变的蛛丝马迹。近期，《自然·医学》杂志发表的一项重磅研究为该领域带来了突破：美国科学家成功开发出一套深度学习模型，能够直接区分健康组织和癌组织，且无需病理学家进行繁琐的手动标注。

此前，病理学AI系统之所以难以在实际临床中落地，主要障碍之一便是数据标注的困境。要训练一个能够识别肿瘤的模型，必须先由病理学家对每一张切片进行勾画框、标记点、撰写标签——这一过程既耗时又乏味，而且不同专家之间的标注标准往往存在差异。为此，纪念斯隆凯特琳癌症中心的研究团队另辟蹊径：能否直接构建一个无需人工标注即可自主学习的模型？

研究人员首先构建了一个规模庞大的数据集：涵盖来自超过1.5万名前列腺癌、皮肤癌、乳腺癌患者的4.4万余份组织切片。基于此，他们训练深度学习模型，使其自主学会区分正常组织与癌组织。结果令人瞩目——该算法能够帮助病理学家剔除高达75%的无用信息样本，同时保持对癌组织的识别灵敏度达到100%。换言之，该筛出的病例一个都没有遗漏，而节省下来的时间却是实实在在的。

研究团队指出，这套系统能够以前所未有的规模训练高精度的分类模型，为临床决策支持系统的实际部署奠定了坚实基础。可以预见，未来它将成为癌症中心病理诊断流程中的得力助手，使医生能够将更多精力投入到更复杂、更具判断价值的病例上。

事实上，AI在癌症诊断领域的突破远不止于此。例如，圣地亚哥海军医学中心与谷歌AI联合开发的系统，能够通过算法自主评估淋巴结活检结果，辅助医生针对转移性乳腺癌做出更加精准的治疗决策。再比如，纽约大学医学院的机器学习程序识别肺癌类型的准确率已达97%，甚至能够进一步锁定导致异常细胞生长的变异基因——这意味着AI已从“判断是什么病”跨越到“探究为什么会得病”的层面。

归根结底，AI在病理学中的核心价值并非取代病理学家，而是接管那些重复性强、易因疲劳而出错的工作，让人类回归更擅长的领域：判断、决策以及与患者沟通。这条路才刚刚起步，但方向已经十分清晰。