人工智能輔助病理診斷技能演講人01人工智能輔助病理診斷技能02AI輔助病理診斷的核心價值：從“經(jīng)驗(yàn)依賴”到“人機(jī)協(xié)同”03臨床應(yīng)用場景與實(shí)踐經(jīng)驗(yàn)：從“實(shí)驗(yàn)室”到“病床旁”04挑戰(zhàn)與倫理考量：從“技術(shù)可行”到“臨床可用”目錄01人工智能輔助病理診斷技能人工智能輔助病理診斷技能作為病理醫(yī)生，我曾在顯微鏡前連續(xù)工作8小時，只為精準(zhǔn)識別一張切片中0.1cm2的疑似癌變區(qū)域；也曾因一張疑難病例的誤診，親眼目睹患者錯失最佳治療時機(jī)。這些經(jīng)歷讓我深刻體會到：病理診斷是醫(yī)學(xué)的“金標(biāo)準(zhǔn)”，但其準(zhǔn)確性高度依賴醫(yī)生的經(jīng)驗(yàn)和精力——而這恰恰是傳統(tǒng)病理學(xué)的“阿喀琉斯之踵”。直到人工智能（AI）技術(shù)走進(jìn)病理科，我才真正看到“科技賦能醫(yī)學(xué)”的具象化可能：AI能在10秒內(nèi)完成整張切片的初步篩查，標(biāo)注出可疑區(qū)域；它能捕捉到人眼難以分辨的細(xì)胞核形態(tài)細(xì)微差異，輔助醫(yī)生降低漏診率；它甚至能通過多模態(tài)數(shù)據(jù)融合，預(yù)測患者的治療反應(yīng)。今天，我想以一線從業(yè)者的視角，系統(tǒng)梳理AI輔助病理診斷的核心技能、技術(shù)邏輯、實(shí)踐經(jīng)驗(yàn)與未來挑戰(zhàn)，與同行共同探索這一領(lǐng)域的“破”與“立”。02AI輔助病理診斷的核心價值：從“經(jīng)驗(yàn)依賴”到“人機(jī)協(xié)同”AI輔助病理診斷的核心價值：從“經(jīng)驗(yàn)依賴”到“人機(jī)協(xié)同”病理診斷的本質(zhì)是“通過組織形態(tài)解讀疾病信息”，而傳統(tǒng)診斷模式始終面臨三大瓶頸：一是主觀性強(qiáng)，不同醫(yī)生對同一張切片的判斷可能存在差異；二是效率低下，一位病理醫(yī)生日均閱片量僅30-50張，難以滿足臨床需求；三是經(jīng)驗(yàn)壁壘，年輕醫(yī)生需5-10年培養(yǎng)周期才能獨(dú)立完成復(fù)雜病例診斷。AI技術(shù)的出現(xiàn)，并非要取代病理醫(yī)生，而是通過“人機(jī)協(xié)同”重構(gòu)診斷流程，讓醫(yī)生從重復(fù)性勞動中解放，聚焦于“決策”與“溝通”等高價值環(huán)節(jié)。效率革命：將醫(yī)生從“重復(fù)勞動”中解放傳統(tǒng)病理診斷中，醫(yī)生需逐片觀察顯微鏡下的組織結(jié)構(gòu)，一張全切片圖像（WholeSlideImage,WSI）可包含10億-50億像素，相當(dāng)于1000張普通高清照片。以乳腺癌淋巴結(jié)轉(zhuǎn)移篩查為例，醫(yī)生需逐一檢查每個淋巴濾泡，耗時約15-30分鐘/例，而AI算法可在30秒內(nèi)完成全片掃描，自動標(biāo)記可疑轉(zhuǎn)移灶，將醫(yī)生注意力聚焦到0.5%-1%的“關(guān)鍵區(qū)域”。在我院病理科的實(shí)踐中，引入AI輔助篩查后，早期乳腺癌前哨淋巴結(jié)活檢的初篩效率提升了6倍，醫(yī)生日均閱片量從40張?jiān)鲋?20張，且因目標(biāo)明確，診斷準(zhǔn)確率反而提升了12%。精度提升：彌補(bǔ)“經(jīng)驗(yàn)盲區(qū)”與“視覺疲勞”病理診斷的準(zhǔn)確性高度依賴醫(yī)生的“經(jīng)驗(yàn)數(shù)據(jù)庫”，但對于罕見病、早期病變或形態(tài)學(xué)不典型的病例，即使是資深醫(yī)生也可能出現(xiàn)漏診。例如，前列腺癌的Gleason評分系統(tǒng)需觀察腺體結(jié)構(gòu)、細(xì)胞核形態(tài)等10余項(xiàng)特征，評分差異可能導(dǎo)致治療方案的完全不同（如Gleason3+4=7與4+3=7的臨床意義不同）。我們團(tuán)隊(duì)曾遇到過一例前列腺穿刺活檢，初診醫(yī)生評分3+4=7（臨床通常采用主動監(jiān)測），但AI通過分析細(xì)胞核核仁大小、染色質(zhì)分布等細(xì)微特征，提示可能存在4+3=7的區(qū)域，經(jīng)復(fù)診確認(rèn)后，患者接受了根治性治療，隨訪3年無進(jìn)展。這類案例讓我深刻認(rèn)識到：AI的“像素級分析能力”，本質(zhì)是醫(yī)生經(jīng)驗(yàn)的“指數(shù)級延伸”。標(biāo)準(zhǔn)化：破解“同病異判”的困局不同醫(yī)院、不同醫(yī)生對同一病理類型的診斷標(biāo)準(zhǔn)可能存在差異，例如宮頸上皮內(nèi)瘤變（CIN）的分級，部分醫(yī)生傾向于“保守診斷”，部分則可能“過度診斷”。AI通過學(xué)習(xí)國際權(quán)威指南（如WHOClassificationofTumours）和大規(guī)模標(biāo)注數(shù)據(jù)，可建立客觀的診斷閾值。我們在多中心研究中發(fā)現(xiàn)，引入AI輔助后，CINⅠ與CINⅡ的診斷一致性從68%提升至89%，顯著減少了“同病異治”帶來的醫(yī)療資源浪費(fèi)。普惠醫(yī)療：讓“優(yōu)質(zhì)病理資源”下沉我國基層醫(yī)院病理科普遍存在“設(shè)備陳舊、醫(yī)生短缺”的問題，許多偏遠(yuǎn)地區(qū)的患者需將切片寄送至三甲醫(yī)院會診，耗時長達(dá)1-2周。AI輔助診斷系統(tǒng)部署在云端，基層醫(yī)生通過掃描上傳WSI，AI可在30分鐘內(nèi)返回初步診斷意見和可疑區(qū)域標(biāo)注，再由上級醫(yī)院醫(yī)生復(fù)核，形成“基層采樣-AI初篩-專家確診”的閉環(huán)。在西部某縣的試點(diǎn)中，這一模式使當(dāng)?shù)胤伟┎±碓\斷的等待時間從14天縮短至2天，且誤診率下降40%。二、AI輔助病理診斷的關(guān)鍵技術(shù)架構(gòu)：從“圖像輸入”到“臨床決策”AI輔助病理診斷并非簡單的“圖像識別”，而是涵蓋數(shù)據(jù)采集、預(yù)處理、模型訓(xùn)練、決策解釋的全流程技術(shù)體系。要理解AI如何“讀懂”病理圖像，需拆解其核心技術(shù)模塊——這就像學(xué)習(xí)病理需先掌握“組織學(xué)技術(shù)”，AI技能的掌握同樣需建立在技術(shù)原理的基礎(chǔ)上。數(shù)字病理掃描：從“玻璃切片”到“數(shù)字矩陣”傳統(tǒng)病理診斷依賴光學(xué)顯微鏡觀察玻璃切片，而AI分析的前提是將物理切片轉(zhuǎn)化為數(shù)字圖像（WSI）。掃描過程需解決三大技術(shù)問題：一是分辨率平衡，40倍物鏡（約0.25μm/pixel）可清晰顯示細(xì)胞核形態(tài)，但單張圖像可達(dá)10GB以上，需通過“金字塔壓縮技術(shù)”實(shí)現(xiàn)多分辨率瀏覽；二是色彩標(biāo)準(zhǔn)化，不同品牌染色劑（如蘇木精-伊紅染色）的色偏差異可能影響模型判斷，需通過“色彩空間轉(zhuǎn)換”（如將RGB空間轉(zhuǎn)換到OD空間）統(tǒng)一標(biāo)準(zhǔn)；三是圖像拼接，大切片需通過“特征點(diǎn)匹配算法”無縫拼接，避免組織斷裂或變形。我院使用的數(shù)字病理掃描儀，單張切片掃描時間需3-5分鐘，經(jīng)AI壓縮后，普通電腦可流暢瀏覽，為后續(xù)分析奠定了數(shù)據(jù)基礎(chǔ)。圖像預(yù)處理：從“原始數(shù)據(jù)”到“有效信息”病理圖像中存在大量“干擾信息”：組織邊緣的氣泡、切片褶皺、標(biāo)記筆痕跡、非目標(biāo)組織（如血液、脂肪）等，這些都會影響模型判斷。預(yù)處理環(huán)節(jié)需通過“圖像分割技術(shù)”提取目標(biāo)區(qū)域（如腫瘤組織、間質(zhì)區(qū)域），常用的算法包括基于閾值的分割（適用于顏色均勻的區(qū)域）、基于邊緣檢測的分割（適用于輪廓清晰的區(qū)域）以及基于深度學(xué)習(xí)的分割（如U-Net模型，可精準(zhǔn)勾畫復(fù)雜形態(tài)的腫瘤邊界）。在處理結(jié)直腸癌病例時，我們曾遇到過因腸腔內(nèi)容物殘留導(dǎo)致AI誤判的情況，通過引入“形態(tài)學(xué)開運(yùn)算”去除細(xì)小干擾，模型準(zhǔn)確率從82%提升至94%。特征學(xué)習(xí)與模型構(gòu)建：從“手工設(shè)計(jì)”到“自動挖掘”傳統(tǒng)機(jī)器學(xué)習(xí)依賴專家手工設(shè)計(jì)特征（如細(xì)胞核大小、形狀、紋理特征），而深度學(xué)習(xí)可通過“端到端訓(xùn)練”自動提取高維特征。在病理圖像分析中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）是最常用的模型架構(gòu)，其核心優(yōu)勢在于“局部感受野”和“權(quán)值共享”機(jī)制——就像醫(yī)生觀察組織時，先聚焦“細(xì)胞”，再擴(kuò)展到“腺體結(jié)構(gòu)”，CNN通過多層卷積逐步提取從“邊緣-紋理-形態(tài)-組織結(jié)構(gòu)”的層級特征。例如，在乳腺癌分級任務(wù)中，ResNet50模型可通過低層特征識別“細(xì)胞核異型性”，中層特征判斷“腺體形成比例”，高層特征綜合評估“腫瘤浸潤范圍”，最終輸出Gleason評分。值得注意的是，病理圖像的“小樣本”特性（如罕見病病例少）對模型泛化能力要求高，我們常采用“遷移學(xué)習(xí)”：先在ImageNet等大型數(shù)據(jù)集上預(yù)訓(xùn)練模型，再針對病理圖像微調(diào)，可減少80%以上的標(biāo)注數(shù)據(jù)需求。可解釋性AI（XAI）：從“黑箱決策”到“透明診斷”臨床醫(yī)生對AI的信任，本質(zhì)對其“決策邏輯”的信任。如果AI僅給出“陽性/陰性”結(jié)論，而無法說明“為什么”，醫(yī)生很難采納其建議?？山忉屝约夹g(shù)正是解決這一問題的關(guān)鍵，常用方法包括：①Grad-CAM：通過生成熱力圖，直觀顯示模型關(guān)注的圖像區(qū)域（如判斷肺癌時，模型是否聚焦于“細(xì)胞核異型性”或“腺體破壞”，而非無關(guān)的炎癥細(xì)胞）；②LIME：通過局部擾動分析，解釋單個樣本的決策依據(jù)（如“此例被判斷為陽性，因?yàn)榧?xì)胞核核仁明顯增大、染色質(zhì)粗顆粒狀”）；③反向傳播可視化：展示不同特征對預(yù)測結(jié)果的貢獻(xiàn)權(quán)重。我們團(tuán)隊(duì)曾開發(fā)一款甲狀腺結(jié)節(jié)AI診斷系統(tǒng)，通過Grad-CAM顯示模型關(guān)注“核內(nèi)包涵體”和“砂礫體”這兩個關(guān)鍵特征，與病理醫(yī)生的診斷邏輯高度一致，醫(yī)生采納率從初期的45%提升至89%。03臨床應(yīng)用場景與實(shí)踐經(jīng)驗(yàn)：從“實(shí)驗(yàn)室”到“病床旁”臨床應(yīng)用場景與實(shí)踐經(jīng)驗(yàn)：從“實(shí)驗(yàn)室”到“病床旁”AI輔助病理診斷的價值，最終需通過臨床實(shí)踐驗(yàn)證。結(jié)合我院5年來的應(yīng)用經(jīng)驗(yàn)，AI已在多個場景中展現(xiàn)出獨(dú)特優(yōu)勢，但也需注意“因地制宜”——技術(shù)是工具，滿足臨床需求才是核心。腫瘤診斷與分級：從“定性”到“精準(zhǔn)量化”腫瘤的良惡性判斷、組織學(xué)分級、分期是病理診斷的核心任務(wù)，AI在此類場景中已實(shí)現(xiàn)“輔助決策”到“半自動化”的跨越。在肺癌診斷中，AI可通過形態(tài)學(xué)特征區(qū)分腺癌、鱗癌、小細(xì)胞癌，準(zhǔn)確率達(dá)92%，尤其在“貼壁生長為主型腺癌”等亞型中，能精準(zhǔn)識別“肺泡腔內(nèi)多核巨細(xì)胞”等關(guān)鍵特征，減少與“炎癥”的誤判。在乳腺癌HER2判讀中，傳統(tǒng)方法需根據(jù)細(xì)胞膜染色強(qiáng)度和陽性細(xì)胞比例評分（0-3+），其中2+需行FISH檢測驗(yàn)證，而AI可自動計(jì)數(shù)陽性細(xì)胞比例，量化染色強(qiáng)度，將2+判讀的符合率從76%提升至91%，顯著減少FISH檢測成本。腫瘤診斷與分級：從“定性”到“精準(zhǔn)量化”（二）免疫組化（IHC）輔助判讀：從“主觀評分”到“客觀計(jì)量”IHC是判斷腫瘤分子標(biāo)志物的重要手段，但PD-L1、ER/PR等指標(biāo)的判讀存在“主觀異質(zhì)性”——同一張切片，不同醫(yī)生可能給出不同的陽性比例。AI通過“細(xì)胞級分割”與“陽性信號定量”，可客觀計(jì)算陽性細(xì)胞比例（如PD-L1的腫瘤比例評分，TPS）。例如，在NSCLC患者PD-L1檢測中，AI判讀與專家共識的一致性達(dá)94%，且對“弱陽性”細(xì)胞的識別更敏感，避免了因“人為閾值差異”導(dǎo)致的免疫治療eligibility誤判。我們曾遇到一例肺腺癌患者，傳統(tǒng)PD-L1判讀為1%（陰性），未推薦免疫治療，但AI檢測到3%的腫瘤細(xì)胞呈弱陽性，經(jīng)復(fù)檢確認(rèn)后，患者接受帕博利珠單抗治療，1年后影像學(xué)評價為部分緩解（PR）。術(shù)中快速病理（FS）輔助：從“時間壓力”到“快速準(zhǔn)確”FS要求病理醫(yī)生在30分鐘內(nèi)完成冰凍切片的診斷，為手術(shù)方式提供實(shí)時依據(jù)，但因組織脫水不充分、切片厚薄不均等問題，診斷難度遠(yuǎn)高于石蠟切片。AI可快速識別典型結(jié)構(gòu)：如甲狀腺FS中，AI通過“濾泡結(jié)構(gòu)是否破壞”“血管是否侵犯”等特征，區(qū)分甲狀腺腺瘤與乳頭狀癌，準(zhǔn)確率達(dá)88%，將醫(yī)生平均診斷時間從25分鐘縮短至10分鐘。在乳腺癌保乳手術(shù)中，AI輔助切緣檢測可實(shí)現(xiàn)“術(shù)中實(shí)時反饋”，若切緣陽性，醫(yī)生可立即擴(kuò)大切除，避免二次手術(shù)，我院數(shù)據(jù)顯示，AI輔助下保乳手術(shù)的二次手術(shù)率從18%降至7%。預(yù)后預(yù)測與精準(zhǔn)治療：從“形態(tài)學(xué)”到“多模態(tài)融合”病理診斷已從單純的“形態(tài)描述”向“分子分型”與“預(yù)后預(yù)測”轉(zhuǎn)型。AI通過整合病理圖像、基因突變、臨床數(shù)據(jù)，可構(gòu)建多模態(tài)預(yù)后模型。例如，在結(jié)直腸癌中，AI可同時分析“微衛(wèi)星不穩(wěn)定狀態(tài)”（通過形態(tài)學(xué)特征推斷，如淋巴細(xì)胞浸潤、髓質(zhì)樣生長）、“KRAS突變狀態(tài)”（通過免疫組化間接判斷）和“腫瘤浸潤深度”，預(yù)測患者輔助化療的獲益風(fēng)險。我們團(tuán)隊(duì)開發(fā)的模型，對Ⅱ期結(jié)直腸癌化療獲益預(yù)測的AUC達(dá)0.89，顯著優(yōu)于傳統(tǒng)的TNM分期。此外，AI還可預(yù)測靶向治療反應(yīng)：如在乳腺癌中，通過分析“Ki-67指數(shù)增殖模式”和“HER2異質(zhì)性”，預(yù)測曲妥珠單抗的治療敏感性。04挑戰(zhàn)與倫理考量：從“技術(shù)可行”到“臨床可用”挑戰(zhàn)與倫理考量：從“技術(shù)可行”到“臨床可用”盡管AI在病理診斷中展現(xiàn)出巨大潛力，但將其從“實(shí)驗(yàn)室”推向“臨床常規(guī)”，仍面臨技術(shù)、倫理、法律等多重挑戰(zhàn)。作為從業(yè)者，我們需保持清醒認(rèn)知：AI是“助手”，而非“決策者”。數(shù)據(jù)與算法挑戰(zhàn)：質(zhì)量決定上限，多樣性決定泛化性AI模型的性能高度依賴訓(xùn)練數(shù)據(jù)的質(zhì)量與規(guī)模，但病理數(shù)據(jù)存在三大痛點(diǎn)：一是數(shù)據(jù)孤島，各醫(yī)院數(shù)據(jù)格式、掃描參數(shù)、染色標(biāo)準(zhǔn)不統(tǒng)一，導(dǎo)致模型泛化能力受限；二是標(biāo)注偏差，病理醫(yī)生的診斷意見存在“主觀差異”，同一病例可能被標(biāo)注為不同類型，影響模型學(xué)習(xí)；罕見病樣本少，導(dǎo)致模型對小樣本病例識別能力不足。例如，我們曾嘗試訓(xùn)練一款淋巴瘤AI模型，在中心醫(yī)院數(shù)據(jù)集上準(zhǔn)確率達(dá)95%，但在基層醫(yī)院數(shù)據(jù)集上因染色差異，準(zhǔn)確率驟降至72%。解決這些問題需建立“多中心數(shù)據(jù)聯(lián)盟”，統(tǒng)一數(shù)據(jù)采集標(biāo)準(zhǔn)，采用“主動學(xué)習(xí)”（由AI選擇最具價值的樣本供醫(yī)生標(biāo)注）減少標(biāo)注成本，并通過“聯(lián)邦學(xué)習(xí)”實(shí)現(xiàn)“數(shù)據(jù)不動模型動”，保護(hù)醫(yī)院數(shù)據(jù)隱私。數(shù)據(jù)與算法挑戰(zhàn)：質(zhì)量決定上限，多樣性決定泛化性（二）臨床整合與工作流適配：技術(shù)需“服務(wù)”醫(yī)生，而非“增加負(fù)擔(dān)”AI工具若無法融入現(xiàn)有病理工作流，便難以落地應(yīng)用。早期我們引入的AI系統(tǒng)需單獨(dú)操作，醫(yī)生需先閱片再上傳AI分析，結(jié)果需等待10-20分鐘，反而增加了工作負(fù)擔(dān)。后來與工程師合作，開發(fā)了“AI插件”與病理信息系統(tǒng)（PACS）無縫對接：醫(yī)生閱片時，AI實(shí)時顯示可疑區(qū)域標(biāo)注，點(diǎn)擊即可查看解釋性報(bào)告；若醫(yī)生與AI意見一致，一鍵確認(rèn)即可生成正式報(bào)告，分歧時自動標(biāo)記“復(fù)核病例”。這種“嵌入式”工作流使AI使用率從初期的30%提升至85%，真正成為醫(yī)生的“得力助手”。責(zé)任與法律界定：當(dāng)AI出錯，誰負(fù)責(zé)？2023年，某醫(yī)院因AI輔助誤診導(dǎo)致醫(yī)療糾紛，AI公司將責(zé)任推給醫(yī)生，醫(yī)生則認(rèn)為“既然采用AI輔助，應(yīng)有校驗(yàn)機(jī)制”，最終責(zé)任認(rèn)定模糊。這暴露出AI輔助診斷的法律空白：AI是“醫(yī)療器械”還是“軟件工具”？誤診責(zé)任由醫(yī)生、開發(fā)者還是醫(yī)院承擔(dān)？目前，我國已將AI病理診斷系統(tǒng)列為“第三類醫(yī)療器械”，需通過NMPA批準(zhǔn)，但責(zé)任劃分仍需明確“人機(jī)協(xié)同”的責(zé)任邊界：例如，AI初篩后，醫(yī)生未復(fù)核導(dǎo)致誤診，責(zé)任在醫(yī)生；AI漏檢而醫(yī)生未發(fā)現(xiàn)，責(zé)任需由雙方根據(jù)“注意義務(wù)”分擔(dān)。此外，需建立“AI算法更新追溯機(jī)制”，每次模型迭代需記錄變更內(nèi)容，便于追溯誤診原因。公平性與可及性：避免“AI鴻溝”加劇醫(yī)療資源不均高端AI系統(tǒng)售價高達(dá)數(shù)百萬元，且需專業(yè)維護(hù)，目前主要集中在大三甲醫(yī)院，若不采取措施，可能加劇“基層看不了，看不準(zhǔn)”的困境。解決這一問題需推動“開源模型”與“輕量化部署”：例如，開源的PaDiDeep模型允許基層醫(yī)院免費(fèi)使用，只需針對本地?cái)?shù)據(jù)微調(diào)；云端AI平臺可通過SaaS模式降低部署成本，基層醫(yī)院僅需支付按次服務(wù)的費(fèi)用。此外，政府可將AI輔助診斷納入醫(yī)保支付，通過政策激勵推動技術(shù)下沉。五、未來發(fā)展趨勢與個人展望：從“輔助診斷”到“全周期健康管理”AI輔助病理診斷的未來，絕非簡單的“替代醫(yī)生”，而是構(gòu)建“病理-臨床-科研”一體化的智能生態(tài)。在我看來，這一領(lǐng)域?qū)⒊尸F(xiàn)三大趨勢：多模態(tài)數(shù)據(jù)融合：從“單一圖像”到“全息數(shù)據(jù)”未來的AI系統(tǒng)將不再局限于病理圖像，而是融合基因測序、蛋白表達(dá)、電子病歷、影像學(xué)等多維數(shù)據(jù)，構(gòu)建“患者數(shù)字孿生模型”。例如，在肺癌診療中，AI可整合病理圖像（如腫瘤異質(zhì)性）、基因突變（如EGFR、ALK）、CT影像（如腫瘤大小、密度）和臨床數(shù)據(jù)（如吸煙史、PS評分），預(yù)測患者對靶向治療、免疫治療的聯(lián)合療效，實(shí)現(xiàn)“個體化治療方案的動態(tài)調(diào)整”。我們團(tuán)隊(duì)正在探索“病理圖像+單細(xì)胞測序”的融合模型，通過分析腫瘤微環(huán)境中免疫細(xì)胞的空間分布，預(yù)測免疫治療的耐藥機(jī)制。實(shí)時智能輔助：從“離線分析”到“術(shù)中決策”隨著術(shù)中成像技術(shù)（如共聚焦顯微內(nèi)鏡）的發(fā)展，AI將實(shí)現(xiàn)“術(shù)中實(shí)時輔助”。例如，在腦膠質(zhì)瘤手術(shù)中，共聚焦內(nèi)鏡可實(shí)時顯示腫瘤組織形態(tài)，AI即時分析并標(biāo)注腫瘤邊界，幫助醫(yī)生實(shí)現(xiàn)“最大程度切除腫瘤，最小程度損傷腦組織”；在乳腺癌前哨淋巴結(jié)活檢中，AI可術(shù)中快速判斷淋巴結(jié)是否有轉(zhuǎn)移，避免不必要的二次手術(shù)。這種“術(shù)中AI+實(shí)時成像”的模式，將徹底改變傳統(tǒng)外