AI不只看病理切片，也學會專家如何尋找病灶

一張全視野數位病理切片可能包含數十億像素，真正左右診斷的異常卻只占極小角落。病理醫師不會平均檢視每一寸組織，而是在低倍鏡下掃視結構、鎖定可疑區域，再放大辨認細胞。刊登於《Nature Biomedical Engineering》的研究把這套通常不會寫進診斷報告的搜尋過程，轉化為人工智慧可以學習的資料。

研究團隊提出Pathology-CoT框架，利用「AI Session Recorder」記錄病理醫師在切片檢視器中的移動、縮放與停留行為，再將連續操作整理成標準化指令與邊界框。公開資料顯示，訓練素材來自8名史丹佛醫學院病理醫師共10.6小時的診斷歷程，形成5,222輪行為與推理對話。

這套方法不只標示「看哪裡」，也嘗試補上「為什麼要看」。系統先草擬各個觀察步驟的理由，再由病理醫師審核修正，建立位置與診斷意義成對的監督資料。研究團隊估計，這種由人把關的流程可將標註速度提高約六倍，但其品質仍取決於專家是否完整修正AI生成的解釋。

以這些資料訓練的Pathology-o3採兩階段設計：先預測值得檢查的感興趣區域，再讓視覺語言模型依序分析。針對胃腸癌淋巴結轉移的內部測試，預印本所列精確率為84.5%、召回率100.0%、準確率75.4%，並優於研究納入比較的多個視覺語言模型。三項指標衡量的面向不同；100%召回率代表該測試集未漏掉陽性案例，不等於所有判斷都正確。

模型在獨立的LNCO2外部資料集仍取得97.6%召回率，顯示換一批切片後，尋找轉移病灶的能力未完全消失。期刊論文也報告其效益可跨不同視覺語言模型骨幹重現，並另以皮膚病理資料評估區域定位與推理。不過，現有結果主要證明一種訓練策略可行，尚不能證明系統能處理日常病理中龐雜的癌別、良性變化與罕見陷阱。

距離臨床部署，還有更現實的考驗：不同實驗室的染色、掃描器與組織製備方式都可能改變影像；高召回率也可能伴隨較多偽陽性，增加醫師複核負擔。未來研究須在更多機構與前瞻性工作流程中評估診斷錯誤、閱片時間、人機責任及監管要求。這項工作的核心價值，因而不是讓AI模仿一段漂亮的文字推理，而是把專家如何在巨大切片中逐步找到證據，變成可檢驗、可重現的學習目標。