病理学是科学研究疾病的学科，也是一门医学专科，致力于识别并解释组织、细胞和体液中的异常。它将实验室科学与临床医学联系起来，为诊断、疾病分类、治疗方案制定和病情监测提供依据。其范围既包括对疾病机制的研究，也包括对个体患者标本的检查。尽管公众常将病理学与尸体解剖联系在一起，但病理学的大量工作涉及活体患者的疾病。(rcpath.org)
研究范围与概念框架
病理学探究疾病如何发生发展，以及如何识别疾病造成的影响。其中需要区分的几个重要概念包括：病因，即引起疾病的原因；发病机制，即疾病发生发展所经历的一系列过程；以及由此产生的结构和功能异常。这些方面彼此相关，却不能相互替代：同一病因可能导致不同疾病，而相似的组织异常也可能由不同机制引起。临床与病理的关联分析将实验室观察结果与患者的症状及其他检查发现联系起来。(pmc.ncbi.nlm.nih.gov)
这门学科在多个层次开展研究，从整个器官到单个细胞，再到分子层面的变化。组织结构检查仍处于核心地位，而遗传学和分子生物学则提供了描述疾病特征的更多方法。因此，病理学不仅是在显微镜下识别异常，还包括选择实验室检查项目、解读检查结果，以及将这些结果与临床信息相结合。(rcpath.org)
主要分支
在美国，专业实践通常将解剖病理学与临床病理学区分开来，尽管两者的职责有所重叠。解剖病理学检查器官、组织和细胞，其中包括研究通过活组织检查或外科手术取得的标本的外科病理学，以及评估通过取样操作收集或存在于体液中的细胞的细胞病理学。尸体解剖也是其中的一部分。(documents.cap.org)
临床病理学又称检验医学，涵盖利用化学、细胞学、微生物学和分子方法对血液及其他标本进行的检查。其领域包括临床生物化学、血液相关检查、微生物学和输血医学。各国对这些专科的设置有所不同；在某些体系中，其中若干领域是独立的临床学科，但同属更广泛的病理服务体系。(documents.cap.org)
病理学也可按器官系统、标本类型或诊断技术划分专门领域，例如神经病理学、皮肤病理学和分子病理学。法医病理学负责调查具有法律意义的死亡，尤其是非自然死亡。它是病理学中的一个专门领域，而非整个病理学职业的代称。(rcpath.org)
标本检查与实验室方法
在组织病理学中，首先对组织进行大体检查，评估其大小、外观及肉眼可见的异常等特征。通常从中选取部分组织，用福尔马林固定、石蜡包埋，再切成薄片并染色，以供显微镜检查。这些制备方法能够保存组织细节，制成的标本也可留存，以便进一步检查。在手术过程中需要迅速得到检查结果时，冰冻切片可提供更快捷的检查，但其保存的结构细节通常不及常规石蜡切片。(cancer.gov)
对于常规检查无法单独解决的问题，还需采用其他方法。免疫组织化学利用针对特定靶标的抗体，检测组织或细胞制备物中的蛋白质。染色的分布有助于确定病变特征，并可用于诊断、预后评估或治疗相关检测。这些结果需结合其他病理发现加以解读，而不能孤立看待。(ccr.cancer.gov)
分子检测检查脱氧核糖核酸的结构和序列等特征。在肿瘤病理学中，这些发现可以细化疾病分类，并识别在显微镜下看似相似的肿瘤之间具有临床意义的差异。临床实验室的方法不限于组织检查，还包括血液常规指标测定、分子检测和基因组测序等。(cancer.gov)
诊断解读与报告
病理报告载明标本的来源、获取方式、大体及显微镜检查所见，以及诊断性解读。相关临床信息也会纳入这一解读过程。追加检查或专科会诊可能形成补充报告或附加说明，因此最终评估可能在初次检查的基础上进一步完善。(cancer.gov)
对于癌症，病理检查可确定肿瘤类型、分级、所取淋巴结是否受累，以及手术切缘状态等重要特征。分级描述肿瘤自身的特征，而分期反映疾病的累及范围。报告还可能包含生物标志物检测结果，以帮助确定肿瘤特征并指导治疗方案的制定。能够获得哪些信息，取决于标本本身及所开展的检查。(cancer.gov)
历史发展
现代病理学的发展与将临床疾病表现同解剖发现联系起来密切相关。乔瓦尼·巴蒂斯塔·莫尔加尼通过研究器官中的疾病，推动了临床与病理关联分析的建立。鲁道夫·维尔肖强调细胞异常和显微镜检查，而威廉·亨利·韦尔奇则推动包括细菌学在内的实验室研究成为病理学的核心工作。这些方法使病理学从描述病变器官，拓展到在细胞和实验室层面解释疾病。(pubmed.ncbi.nlm.nih.gov)
数字病理学与计算分析
数字病理学涉及以电子方式采集、管理、共享和解读病理信息。全切片扫描仪可将玻璃载玻片转换为高分辨率图像，供人在屏幕上查看。数字切片可支持诊断、会诊、教学、研究和图像分析。将其用于临床时，必须根据预期用途进行适当验证，包括评估其与传统显微镜检查结果的一致性。(rcpath.org)
利用人工智能的研究正在探索如何根据病理图像辅助识别异常、进行疾病分级和预测治疗反应。这些应用不同于单纯将切片数字化。诊断算法必须在其预期适用的标本类型和临床环境中进行验证，因为在某一情境下表现良好，并不意味着它适用于所有病理任务。(rcpath.org)