数字病理学是以数字形式采集、管理、判读和计算分析病理信息的学科,尤其关注组织切片和细胞制片的图像。它将标本转化为可在屏幕上查看、在机构间传输、进行定量测量,并与临床及分子数据关联的图像,使病理学不再局限于通过显微镜直接观察标本。其主要成像技术是全切片成像,能够以显微级分辨率采集玻璃载玻片上大部分或全部区域的图像。
这一领域对组织病理学尤为重要,因为组织结构和细胞形态是许多疾病诊断与分类的基础。数字系统支持初次诊断报告的出具、专科会诊、教学、质量保证以及基于图像的研究,也为计算病理学提供基础设施。计算病理学是指将图像分析、统计建模和人工智能应用于病理材料。数字病理学并不取代实体标本,也不免除病理医师的判读职责;它改变的是获取、访问和分析标本所提供证据的方式。
历史发展与涵盖范围
数字病理学源于几项彼此部分独立的实践:显微摄影、定量图像分析、实验室记录的计算机化管理,以及远程显微镜检查。早期的数字成像通常只采集选定的显微视野,而非整张切片。这些图像可用于记录和会诊,但其诊断价值取决于视野选取者是否纳入了所有相关异常。例如,一张肿瘤病灶的显微照片可能清楚地显示恶性细胞,却未包含判定浸润所需的周围组织。
远程病理学于20世纪80年代发展成为一种独立的实践形式。病理学家罗纳德·S. 温斯坦于1986年提出这一术语,并参与开发了可供远端观察者检查显微标本的系统。静态系统传输选定的图像;动态系统传输实时视频;机器人系统则允许远端病理医师控制显微镜的载物台、物镜和焦距。这些方式有助于解决专科服务的可及性和地理阻隔问题,但其表现取决于电信条件、显微镜控制能力以及本地的标本制备质量。
随着数字相机、电动载物台、存储系统和图像压缩方法的改进,自动化全切片扫描在20世纪90年代末至21世纪头十年间日益具备实用性。与选定视野的摄影不同,全切片成像使阅片者能够自主查看扫描的组织。由此生成的“虚拟切片”可在多种放大倍率下浏览,其操作方式大体类似于在显微镜下移动玻璃切片。此后,基于网络的切片图库逐渐成为医学教育和外部质量评价的常用资源。
在临床采用这项技术之前,需要有证据表明,数字阅片能够胜任预期的诊断任务。2017年,美国食品药品监督管理局批准飞利浦 IntelliSite 病理解决方案用于审阅和判读由福尔马林固定、石蜡包埋组织制成的数字化外科病理切片。这是全切片成像用于初次诊断的一个重要监管里程碑,但该批准仅适用于特定系统及其预期用途,并不涵盖所有数字病理配置。
如今,这一领域已不只是用屏幕取代显微镜目镜,还包括标本追踪、图像分发、远程协作、定量测量,以及与其他诊断信息的整合。不过,数字病理学与计算病理学并非可以互换的术语。病理医师可以不借助自动化分析而作出数字病理诊断;计算病理研究也可以仅分析一组有限的图像,而不必运行一套完整的数字化诊断服务。
标本制备与全切片图像采集
数字图像始于实体标本的制备。在常规外科病理工作中,通过活组织检查或外科手术获取的组织通常经过固定、处理和石蜡包埋,再切片、贴附于载玻片、染色并加盖盖玻片。切片厚度通常约为3–5微米,但具体要求因组织类型和用途而异。苏木精-伊红染色通过蓝紫色与粉红色的对比,区分细胞核及其他组织成分。数字扫描保留的是制备后标本的外观,无法恢复在处理过程中遭到破坏或切片中原本就不存在的结构。
全切片扫描仪集成了照明系统、显微光学系统、一个或多个相机或线阵传感器、自动玻片处理机构以及软件。扫描仪首先识别可能含有组织的区域,并建立对焦图。随后,它采集相邻图像区域或连续图像条带,对某些光学和照明效应进行校正,再将数据拼接成可供浏览的图像。采集过程必须在分辨率、扫描时间、文件大小以及捕获重要诊断细节的可能性之间取得平衡。
常见的明场扫描设置,在等效20倍放大倍率下,标称采样间距约为每像素0.5微米;在等效40倍放大倍率下,则约为每像素0.25微米。这些标称值并不能完整描述图像质量:数值孔径、光学分辨率、传感器特性、对焦、压缩方式和显示条件也都很重要。对于面积为 毫米、按每像素0.25微米扫描的区域,最高分辨率图像约含 个像素。若采用三通道、每通道8位的彩色编码,压缩前约需10.8 GB存储空间,且这还不包括其他分辨率层级的图像和元数据。
大多数常规组织切片仅扫描一个焦平面。对于具有明显纵深的制备标本,包括部分细胞学标本,可能需要采集多个焦平面,称为Z轴堆栈。这类图像支持数字重新对焦,但会增加采集时间和存储需求。荧光扫描还需考虑激发与发射通道、探测器灵敏度、曝光、背景荧光和光漂白等因素。适用于常规组织的明场工作流程,不能理所当然地视为同样适用于这些其他类型的标本。
扫描前或扫描过程中都可能出现质量问题。组织褶皱、气泡、切片过厚、碎屑、染色偏淡以及盖玻片错位,都可能损害图像质量。自动组织检测可能漏掉细小或染色较浅的组织碎片,而对焦不准则可能使原本制备良好的切片成像模糊。因此,检查图像是否包含所有相关组织,与检查清晰度同样重要。重新扫描可以纠正部分采集问题,而标本制备缺陷则可能需要重新切片或制片。
图像架构、信息系统与互操作性
全玻片图像的数据量过大,无法像普通照片那样高效处理。大多数系统采用分块图像金字塔的形式存储:除原始高分辨率图像外,还保存一系列分辨率逐级降低的图像,并将每一层划分为可独立读取的图像块。阅片软件只请求当前屏幕位置和放大倍率所需的图像块。这样,无须将整张玻片图像载入内存或通过网络传输,就能实现交互式浏览。
压缩可减少存储和传输需求。无损压缩保留原始像素值,而有损压缩则舍弃部分信息,以获得更小的文件。某一压缩设置是否可接受,取决于诊断任务及验证证据。对于低倍下的组织结构评估无关紧要的压缩伪影,在观察细微的细胞核细节或进行定量分析时,可能造成更大影响。衍生图像和缩略图也必须与其源数据保持明确的关联,以免用户将简化后的图像误认为诊断图像。
图像管理必须保留每份标本的身份信息及其相关背景。典型的层级结构将患者、送检登记、标本、组织蜡块、切片、染色和图像关联起来。基于条形码的追踪有助于维持这些关联,但条形码本身并不能保证组织在此前流程中已被正确标记。与实验室信息系统集成,可使工作列表、病例信息、图像和报告保持同步。系统还必须区分首次扫描与重新扫描,并维持图像与后续修订内容之间的关联。
专有格式曾长期给扫描仪、阅片软件、归档系统和分析软件之间的数据交换带来困难。医学数字成像与通信(DICOM)标准包含全玻片显微图像及相关元数据的标准表示方式,为分块图像、空间组织、光路和标本信息提供相应的数据结构。兼容 DICOM 有助于数据交换,但互操作性仍取决于各个产品实现了哪些功能,以及标识符和工作流程如何协调。文件即使名义上符合标准,也不能保证所有接收该文件的应用程序都能正确显示或解读它。
数字病理学的基础设施与放射学有所不同,但也存在重要的相似之处。病理病例可能包含大量单独制备的玻片,每张玻片都可能需要重新扫描或追加染色。因此,存储规划取决于病例量、组织面积、采样分辨率、压缩方式、保留策略,以及为提高系统容错能力而进行的数据复制。若某机构每个工作日生成 1,000 张图像,每张压缩后平均为 1 GB,那么在 250 个工作日内,不计备份和副本,就会累积约 250 TB 的数据。这类估算说明,图像生命周期管理、网络容量和检索性能为何是数字病理服务的核心组成部分。
诊断实践与远程协作
在以数字图像为主要依据的诊断中,病理医师审阅扫描得到的材料,将其作为出具报告的主要视觉依据,而不再通过传统显微镜逐一观察所有玻片。判读任务仍与以往相同:识别组织类型,区分反应性改变与肿瘤性改变,识别微生物或沉积物,评估切缘,并结合临床信息和辅助检查综合分析形态学表现。不过,数字化浏览改变了医师操作和查看材料的方式。高效阅片有赖于平移操作响应及时、放大倍数切换适宜、病例资料编排清晰,以及能够可靠地调阅相关既往标本。
数字化访问使专科判读不再受实验室所在地的限制。例如,疑难淋巴瘤病例无需先运送全部玻片,即可由专科医师审阅。在多学科会议上,多位观察者可以围绕同一标注区域展开讨论。会诊既可通过共享视图同步进行,也可异步开展,由会诊医师稍后审阅完整的病例扫描资料。无论采用哪种方式,获取临床病史、染色信息和标本背景资料都至关重要;单独一幅图像很少能反映诊断问题的全貌。
某些应用对图像采集和显示提出了格外严苛的要求。细胞学标本常包含立体细胞团和散在的具有诊断意义的细胞,因此,准确对焦和完整覆盖标本尤为重要。术中冰冻切片则带来了时间压力和制片伪影。微生物、细微的细胞核特征或微小沉积物,可能需要高分辨率观察或其他方法才能辨识。除非同时采集了适当的偏振光图像,否则无法仅凭常规明场扫描可靠地推断偏振光下的所见。这些局限取决于具体应用,并不能据此认定数字成像在所有情况下都足够或都不够用。
数字化测量有助于评估肿瘤尺寸、肿瘤至手术切缘的距离,以及受累区域的范围等。测量需要经过校准,并正确理解标本的方位。切片上的线性测量并不一定能确定病变的三维大小,而且组织处理过程也可能改变其尺寸。同样,用于标记可疑病灶的注释只是辅助沟通的工具,并不构成独立诊断。报告仍须反映全部证据,以及该病例应当保留的不确定性。
远程出具报告也改变了业务运行所依赖的条件。即使玻片完好无损,网络中断、身份认证服务不可用、图像传输延迟或扫描仪故障,仍可能导致无法访问相关资料。因此,实验室会区分常规数字化工作流程,以及针对未扫描材料、技术上不适合数字化的制片和服务中断等情况的例外处理流程。病例判读、会诊和报告的临床责任,仍受专业规范及所属司法管辖区相关规定的约束;具备传输图像的能力,本身并不意味着获准跨机构或跨国执业。
定量图像分析与计算病理学
数字图像使组织形态能够接受可重复的定量分析。传统方法利用颜色分离、阈值分割、纹理测量和几何规则来识别结构并测量其特征。例如,在免疫组织化学中,颜色解卷积有助于将棕色显色剂与蓝色细胞核复染色分离。后续处理可识别细胞核、对染色强度进行分级,并计算阳性细胞比例。如果染色、组织成分或图像质量与方法开发时的条件不同,每个步骤都可能引入误差。
现代计算病理学经常采用机器学习,尤其是深度学习,从示例中学习图像表征。模型可用于对图像块进行分类、分割细胞和组织区域、检测微小肿瘤灶、对病变进行分级,或生成整张切片的评分。由于全切片图像可能包含数十亿个像素,分析通常先将其划分为较小的图像块,再汇总整张切片的分析结果;有时会使用能够学习哪些区域对病例级预测贡献最大的模型。
可用标注的粒度会影响方法的选择。像素级轮廓和逐细胞标注能够提供精细的监督信息,但获取成本高昂。常规诊断报告可提供数量更多的切片级或患者级标签,但未必能指出每项发现的确切位置。多实例学习通过将一张切片视为一组图像块,并利用赋予整组图像块的标签进行学习,来应对这种情况。这类方法可以减少标注需求,但仍依赖准确的标签和具有代表性的训练数据。
应用包括识别淋巴结内的微小转移灶、定量分析增殖标志物、辅助前列腺癌分级,以及分析肿瘤微环境的特征。2021年,美国食品药品监督管理局(FDA)批准了 Paige Prostate,这是一款基于人工智能的工具,旨在帮助病理医师在数字化活检切片中检出前列腺癌。其预期作用是提供辅助,而不是独立取代病理医师。更广泛地说,某一特定应用获得批准,并不意味着应用于同一器官的所有算法,或用于生成其输入图像的所有扫描仪,都已得到验证。
计算结果需要从生物学和技术层面加以解读。模型可能将染色模式或组织形态与某种生物标志物、分子改变或临床结局联系起来,却并未直接测量其背后的分子或机制。当图像来自不同机构、扫描仪、患者群体或制片流程时,模型性能可能下降。热图可以标示影响预测的区域,但不一定能提供因果解释。模型也可能利用无关特征,例如笔迹、组织处理留下的特征,或实验室与疾病标签之间的相关性。这些可能性使独立测试成为必不可少的环节。
验证、监管与患者安全
验证旨在确定某一数字系统是否适合在特定执业环境中用于其预期用途,其范围远不止单独测试扫描仪。需要考察的系统涵盖标本制备、图像采集、传输、显示、软件、用户交互及报告出具。一个已通过常规石蜡切片用途验证的系统,并不意味着也已通过冰冻切片、细胞学、荧光成像或自动图像分析用途的验证。因此,组件或工作流程发生变化时,可能需要进行有记录的评估,以确定是否有必要补充验证。
美国病理学家学会的专业指南强调,应选取具有代表性的病例,并比较数字图像阅片与玻璃切片阅片的判读结果。该学会于2021年更新的指南建议,针对某一预期用途,至少纳入60例病例,且数字图像阅片与玻璃切片阅片之间应设置至少两周的洗脱期。这一间隔旨在减少阅片者对初次判读结果的记忆。病例选择与达到最低数量要求同样重要:如果病例系列仅由常见且易于诊断的病例组成,就难以为罕见发现、复杂形态或制备技术难度较高的标本提供充分证据。
一致性研究用于衡量判读结果的吻合程度,但对不一致的情况必须深入分析,而不能仅将其归结为一个百分比。差异可能源于具有临床意义的错误、轻微的术语差别、取样差异,或同一观察者判读时的正常变异。数字图像与玻璃切片的判读结果也可能一致,却同样有误。在条件允许时,通过裁定并结合相关补充证据,有助于区分问题究竟与阅片方式有关,还是源于病例本身的难度。诊断耗时、重新扫描率、组织遗漏及图像导航问题,也能为判断系统在实际工作中的适用性提供更多信息。
算法评估还提出了额外要求。诊断敏感度与特异度取决于任务定义、参考标准、决策阈值及测试集的构成。预测值还取决于受评估人群中的疾病频率。训练集与测试集通常应按患者或其他适当的独立单位进行划分;如果将同一张切片中的不同图像块同时放入两个数据集,可能会产生虚高的性能结果。与在单一本地数据集上反复测试相比,跨机构的外部测试能为模型在其他环境中的适用性提供更有力的证据。
患者安全还取决于人与系统的交互。自动化偏倚可能导致用户接受错误建议,而过多的假阳性警报则可能分散用户对相关发现的注意力。因此,评估关注的是病理医师与工具协同工作的整体表现,而不只是算法本身。监管授权、本地验证、用户培训及持续质量保证分别解决不同的问题,彼此不能替代。系统投入使用后,持续监测可以发现与染色方案、扫描仪维护、软件更新或所检查病例类型变化相关的改变。
研究、教学与多模态整合
数字病理学将视觉观察结果转化为可存档、共享并进行大规模分析的数据,为研究提供支持。研究人员无需反复传递玻璃切片,即可重新查看组织标本集,并对先前扫描的材料开展新的测量。不过,大型研究仍需细致的标注和完善的来源记录。如果缺乏有关组织部位、制备方法、诊断和取样的可靠信息,即使图像的技术质量很高,也可能难以解读。
在癌症研究中,计算分析可用于量化细胞组成、肿瘤结构、间质形态及空间关系。例如,可以测量T细胞相对于肿瘤边界的密度和分布,而不只是报告单一的平均计数。这类空间描述能够呈现生物学上的组织格局,而在将组织匀浆后进行整体分子分析时,这些信息会丢失。不过,对这些描述的解读仍有赖于准确的细胞识别、组织分割,以及对测量区域的明确定义。
数字病理学与空间转录组学、基因组谱分析及基于蛋白质的组织检测的交叉融合日益深入。图像配准可将连续切片或不同轮次成像中的对应结构对齐。这在技术上颇具挑战,因为切片可能发生拉伸、折叠或撕裂,而且在相邻深度处,组织结构本身也可能确实不同。某张切片中可见的细胞,在相邻切片中可能并不存在,因此,对齐并不意味着自动建立了细胞之间的一一对应关系。多模态整合必须区分真正的生物学差异与制备、配准过程产生的影响。
研究模型可以将组织学信息与基因表达、影像、临床变量及结局相结合。这些方法通过探究组织形态模式能否提供与疾病分类或治疗反应相关的额外信息,为精准医学作出贡献。然而,回顾性数据集中的统计关联并不能证明临床实用价值。某个候选标志物可能只是与治疗选择、疾病分期或医疗机构的诊疗惯例相关,而不能提供独立的预测信息。前瞻性研究,以及在适当情况下开展的临床试验,能够回答回顾性图像分类研究无法解决的问题。
在教学中,虚拟切片集使众多学习者能够同时观察同一标本,包括那些原本难以分发的罕见材料。教师可以标记相关结构、比较诊断,并利用标准化图像集设计考核。数字化访问也为持续专业发展和外部质量保证提供了支持。但这些优势并不意味着可以忽视对组织处理、显微镜检查和取样的理解。如果学习仅限于经过筛选并标注的区域,就可能忽略实际阅片中的搜寻过程:在范围更大、且往往大部分区域并无明显异常的标本中发现异常。
隐私、治理与公平获取
病理图像属于临床数据,即使从显微镜下的组织形态无法直接识别个人身份,也是如此。相关标签和元数据可能包含姓名、标本登记号、日期或指向病历的链接。即便其他字段已被删除,玻片标签照片和标注中仍可能无意间保留身份标识信息。因此,数据隐私涉及整套信息,包括图像、元数据、报告、衍生测量结果及其相互关系。
去标识化并不等于删除患者姓名。在某些情况下,罕见诊断、精确日期、机构标识信息以及相互关联的数据集,都可能使个人身份被重新识别。研究治理必须区分临床使用、质量改进、教学和二次研究,因为这些用途可能各自涉及不同的法律和机构要求。研究用途可能需要接受机构审查委员会或同等机构的监督。知情同意要求和获准用途因司法管辖区、研究设计以及数据仍可用于识别个人身份的程度而异。
网络安全直接关系到临床工作,因为图像的可用性和完整性会影响诊断。访问控制、身份验证、审计日志、加密、备份和恢复程序分别保护工作流程中的不同环节。无论出于恶意还是意外,患者与图像之间对应关系的变更,都可能造成与图像本身丢失同样严重的后果。远程访问和云存储提高了灵活性,但也带来了合同和技术层面的问题,涉及数据存储地点、分包商、事件响应,以及服务提供商发生变更或停止运营时能否恢复记录等。
数据所有权和商业再利用也是治理中需要考虑的问题。对于原始图像、标注以及使用这些数据训练的模型,医院、实验室、患者、技术供应商和研究人员可能拥有不同的权利并承担不同的责任。合同条款可能影响实验室能否导出其存档、保留对衍生测量结果的访问权限,或改用其他供应商。这些问题与科学有效性是两个不同的层面:一个技术上有效的模型,其获准用途或转让仍可能受到限制。
数字病理学可以让更多人获得专科服务,但所需的基础条件分布并不均衡。可靠的电力供应、组织学服务、扫描仪、网络连接、存储、维护以及受过培训的人员,缺一不可。如果组织从未得到充分取样或妥善保存,远程会诊平台也无法弥补。算法开发同样需要关注健康公平:集中来自少数资源充足机构的数据集,可能无法充分代表其他人群和实验室条件。有意义的评估既要考虑证据涵盖了哪些人群,也要考虑哪些机构能够持续维持必要的基础设施,从而从中受益。
实施、经济性与尚未解决的技术问题
实施数字病理并非只是添置一台扫描仪,而是会改变整个实验室的工作。玻片必须以适宜的状态和顺序送达扫描环节,扫描失败的玻片必须被识别并重新扫描,图像则必须在病理医师开始撰写报告时可供调阅。如果玻片送达的批次和时间不规律,或需要大量人工校正,即使扫描仪处理能力很强,也无法保证病例能迅速完成。因此,工作流程分析关注的是标本、玻片、信息以及工作人员的注意力在整个服务流程中的流转与分配。
成本包括扫描仪、图像管理软件、显示器、网络升级、存储、系统集成、技术支持、培训及工作人员投入的时间。减少实体玻片运输、简化检索、减少玻片遗失,或更高效地分配专科工作,都可能带来成本节约。数字病理对工作效率的影响因病例构成、用户经验、界面设计和系统响应速度而异。病理医师可能因能即时打开完整病例而节省时间,却又因图像浏览缓慢或各项染色图像组织不当而耗费时间。经济评价必须区分单次报告工作与整个服务体系的成本和效益。
数字归档意味着一项持续的责任。存储介质、软件、加密系统和文件格式会随时间变化,而诊断记录可能需要在多年内始终保持可访问。若标本标识符、校准信息、标注及依赖特定软件的测量结果变得无法读取,仅保存图像像素并不足够。数据迁移时,需要检查图像是否仍然完整,以及关联关系是否正确。保留玻璃载玻片和组织蜡块还意味着需要同时维护一套实体档案;数字化并不一定能免除现有的保存义务。
若干技术问题仍是持续研发的重点。自动化质量评估旨在病理医师打开病例前,发现图像模糊、组织褶皱、组织缺失和染色问题。色彩标准化力求减少实验室、扫描仪和显示器引入的差异,但过度的归一化处理可能改变与诊断有关的特征。三维重建和能够获取更丰富信息的光学方法,或可捕捉单张明场切片中没有的信息,但也会增加图像采集和计算方面的需求。没有任何一种扫描配置能够对所有组织、染色或诊断用途都达到最优效果。
先进模型的评估也是一个尚未解决的问题。大型预训练图像模型可以经过适配,用于多种病理任务,但广泛的训练并不能保证其在罕见疾病或不熟悉的实验室环境中表现可靠。对于根据图像生成文本的系统,评估不仅要检查遗漏,还要检查是否出现缺乏依据的诊断所见。当软件或模型参数发生变化时,版本控制尤为重要:机构必须能够确定某项结果由哪个系统生成,以及生成时的条件。这些要求使可重复性、可追溯性和明确的预期用途成为可部署数字病理系统的核心技术属性。