基于深度学习的皮肤病理图像人工智能辅助诊断系统研究综述

基于深度学习的皮肤病理图像人工智能辅助诊断系统研究综述皮肤癌是全球范围内最常见的恶性肿瘤之一，其发病率近年来呈持续上升趋势。根据世界卫生组织2025年发布的全球癌症报告，每年新增非黑色素瘤皮肤癌病例超过300万，黑色素瘤病例约32.5万，而皮肤癌的早期诊断与干预可将患者5年生存率提升至99%。病理诊断作为皮肤疾病诊断的“金标准”，需要病理医师在高倍显微镜下对微米级的组织切片图像进行细胞形态、结构的多维度分析，然而全球病理医师资源缺口超过20万，传统人工诊断模式存在诊断效率低、主观差异性大、基层诊断能力不足等突出问题。深度学习技术的快速发展为皮肤病理图像的智能分析提供了全新解决方案，基于深度学习的人工智能辅助诊断系统能够实现病理图像的自动特征提取、病变区域分割与疾病分类，有效弥补人工诊断的短板，成为当前医疗人工智能领域的研究热点。一、皮肤病理图像分析的核心挑战皮肤病理图像本身的复杂特性是智能诊断系统研发面临的首要难点。首先是图像尺度的多样性：皮肤组织病理切片包含从表皮层、真皮层到皮下组织的多层结构，病变特征可能分布在微米级的细胞核（直径约5-10μm）到厘米级的肿瘤组织块中，同一病变在不同放大倍数（2×、10×、20×、40×）下呈现完全不同的形态特征，传统单尺度特征提取方法难以覆盖多维度的病理信息。其次是类内差异性与类间相似性：不同患者的同一种皮肤疾病病理表现可能存在显著差异，如黑色素瘤的细胞形态可表现为梭形、上皮样、痣样等多种类型；而部分良性病变与恶性病变的形态特征高度重叠，如Spitz痣与恶性黑色素瘤在细胞异型性、核分裂象等特征上相似度超过70%，仅依靠形态学特征鉴别难度极大。此外，病理图像的质量差异性也对算法鲁棒性提出了更高要求：组织切片制作过程中的固定、染色、切片厚度不均等操作会导致图像出现颜色偏差、模糊、伪影等问题，不同医院的病理科使用的染色剂、扫描仪型号存在差异，进一步增大了图像的异质性，导致模型在跨数据集测试时性能下降明显。数据层面的限制是制约深度学习模型性能的另一关键因素。标注高质量的皮肤病理图像需要资深病理医师投入大量时间，单张40×放大倍数的全视野数字切片（WSI）包含超过10亿像素，标注一张完整的肿瘤区域分割图像平均需要3-5小时，导致公开的皮肤病理数据集规模普遍偏小。目前国际上规模最大的皮肤病理公开数据集TCGA-SKCM仅包含331例黑色素瘤患者的WSI图像，且多数数据集缺乏详细的亚类标注、临床预后信息等多模态数据。同时，皮肤疾病的种类超过2000种，常见的恶性病变就包括基底细胞癌、鳞状细胞癌、黑色素瘤、皮肤淋巴瘤等十余类，多数罕见病的病例数不足百例，存在严重的长尾分布问题，传统监督学习方法难以对小样本类别实现有效学习。此外，患者隐私保护相关法规对医疗数据的共享与使用作出了严格限制，不同医疗机构之间的数据壁垒进一步加剧了数据稀缺的困境。二、深度学习在皮肤病理图像分析中的核心技术路线（一）图像预处理与标准化技术针对皮肤病理图像的颜色异质性问题，研究者提出了一系列染色标准化方法。传统的颜色归一化方法如Macenko法、Reinhard颜色校正法通过分离苏木素-伊红（HE）染色的颜色通道，将图像的颜色分布映射到标准模板，可有效降低不同扫描仪、染色工艺带来的颜色偏差。近年来，基于生成对抗网络（GAN）的染色迁移方法逐渐成为研究热点，这类方法通过学习标准染色图像的风格分布，能够在保留病理结构信息的前提下实现图像染色风格的统一，相较于传统方法其结构保真度提升了23%以上。针对WSI的超大尺寸特性，目前主流的处理方式是将WSI切分为固定大小的图像块（patch）进行处理，常用的块大小包括256×256、512×512像素，同时通过前景提取、空白区域过滤等操作去除无信息的背景区域，可将数据处理效率提升6-8倍。（二）分类任务技术演进皮肤病理图像分类是辅助诊断系统的核心功能，主要实现良性/恶性病变鉴别、疾病亚类分型等功能。早期研究主要基于卷积神经网络（CNN）对图像块进行分类，2018年斯坦福大学团队提出的深度CNN模型在1294张皮肤病理图像上实现了黑色素瘤诊断的AUC值达到0.94，性能与初级病理医师相当。2020年以来，多实例学习（MIL）方法逐渐成为WSI级分类的主流技术，这类方法不需要对图像块进行逐块标注，仅依靠WSI的全局标签即可实现模型训练。其中，基于注意力机制的MIL模型能够自动定位图像中的关键病变区域，为分类结果提供可解释性依据，代表性的CLAM模型在TCGA-SKCM数据集上实现了黑色素瘤与良性痣分类的AUC值0.97，且能够输出模型关注的高风险区域供医师参考。针对小样本分类问题，元学习、迁移学习、少样本学习方法被广泛应用，通过在大规模自然图像数据集或通用病理数据集上预训练模型，再利用少量目标领域数据进行微调，可使小样本疾病的分类准确率提升30%以上。最新的研究则开始探索多模态分类方法，将病理图像特征与患者的临床信息、基因检测数据、免疫组化结果等多源数据融合，进一步提升诊断的准确性。（三）分割任务技术进展病变区域分割能够精准定位肿瘤的边界、浸润范围，为疾病分期、手术方案制定提供定量依据。早期的皮肤病理图像分割方法主要基于U-Net及其变体网络，这类编解码结构的网络能够有效融合低层次的纹理特征与高层次的语义特征，在细胞核分割、表皮层分割等任务上Dice系数可达0.85以上。针对复杂组织结构的分割问题，研究者提出了一系列改进方案：引入注意力机制引导模型关注关键结构区域，解决类别不平衡问题；采用多尺度特征融合模块捕捉不同大小的病变结构；结合边缘检测损失函数提升分割边界的精度。2023年以来，基于Transformer的分割模型逐渐应用于病理图像分析，其全局建模能力能够更好地捕捉组织微环境中细胞与细胞、细胞与基质之间的空间关系，在黑色素瘤浸润深度分割任务上，Swin-UNet模型的性能相较于传统U-Net提升了11%。针对WSI的全景分割需求，目前主流的方法是先进行图像块级别的分割，再通过拼接、后处理得到全景分割结果，结合重叠区域投票机制可有效消除拼接边界的伪影。（四）模型可解释性技术医疗AI模型的可解释性是临床落地的关键前提，“黑箱”性质的深度学习模型难以获得医师的信任。目前皮肤病理诊断模型的可解释性研究主要分为两个方向：一是基于注意力机制的可视化方法，通过展示模型分类决策时关注的图像区域，验证模型是否关注到了真正的病变区域，避免模型学习到无关的伪影特征；二是基于特征匹配的解释方法，将模型提取的高层特征与病理诊断中使用的可解释形态学特征（如核异型性、核分裂象、组织结构排列模式等）建立对应关系，使模型的决策依据与病理医师的诊断逻辑保持一致。此外，部分研究开始探索生成诊断报告式的解释结果，自动提取病变的大小、形态、细胞密度、浸润深度等定量参数，并以自然语言的形式输出，直接为医师提供诊断参考依据。三、辅助诊断系统的临床落地应用进展目前全球范围内已有多款皮肤病理人工智能辅助诊断产品获得监管机构批准进入临床应用。2021年，美国PathAI公司开发的黑色素瘤辅助诊断系统获得FDA突破性设备认定，该系统能够对皮肤活检标本的WSI图像进行自动分析，识别可疑的黑色素瘤区域并提示医师重点查看，在多中心临床测试中，该系统可使病理医师的诊断灵敏度提升12%，同时将诊断时间缩短22%。国内方面，2023年国家药品监督管理局批准了首个皮肤病理AI辅助诊断软件，该产品对基底细胞癌、鳞状细胞癌、黑色素瘤三类常见皮肤恶性肿瘤的诊断灵敏度均超过95%，特异度达到92%，已在国内100余家基层医院投入使用，有效提升了基层医疗机构的皮肤病理诊断能力。在临床应用模式上，目前的皮肤病理AI辅助诊断系统主要采用“人机协作”的工作流程：首先由系统对所有上传的病理切片进行自动初筛，识别出高可疑的恶性病例并标注病变区域，再由病理医师对可疑病例进行复核。这种模式既能够降低医师的工作负荷，减少漏诊，又能够保证诊断的安全性，避免AI模型的误诊直接影响患者。相关临床研究显示，采用AI辅助诊断模式后，病理医师的平均诊断效率提升40%，漏诊率降低15%以上，尤其对于经验不足的初级医师，辅助诊断系统能够将其诊断准确率提升接近资深医师的水平。与此同时，皮肤病理AI系统的临床落地仍面临一系列挑战。首先是监管与合规问题，医疗AI产品属于三类医疗器械，需要经过严格的临床试验验证其安全性与有效性，不同国家和地区的监管标准存在差异，增加了产品上市的成本。其次是临床工作流的适配问题，AI系统需要与医院现有的病理信息系统（PIS）、数字切片扫描仪实现无缝对接，避免额外增加医师的操作负担。此外，医师的接受度也是重要影响因素，需要通过大量的培训、临床验证数据向医师证明系统的可靠性，建立人机协作的信任关系。四、未来研究方向与发展趋势多模态融合诊断是未来皮肤病理AI系统的重要发展方向。目前的诊断系统主要基于HE染色的病理图像，而实际临床诊断中病理医师还需要结合免疫组化染色、分子病理检测、患者临床病史等多源信息进行综合判断。未来的智能诊断系统将整合HE图像、特殊染色图像、免疫组化结果、基因测序数据、临床信息等多模态数据，构建更加全面的诊断模型，不仅能够实现疾病分型，还能够预测患者的预后、靶向药物敏感性等，为精准医疗提供支持。小样本与泛化能力提升是技术研发的核心重点。针对罕见皮肤疾病数据稀缺的问题，基于自监督学习的病理图像预训练模型是当前的研究热点，通过在大规模无标注病理图像上学习通用的病理特征表示，再通过少量标注数据微调即可实现对小样本类别的有效识别。此外，域适应、联邦学习技术能够在不共享原始患者数据的前提下，实现多中心数据的联合训练，有效提升模型在不同医疗机构、不同扫描仪数据上的泛化能力。2025年最新研究显示，基于大规模病理图像预训练的基础模型在17种皮肤疾病的跨中心测试中，平均准确率相较于传统监督学习模型提升了18%，展现了基础模型在病理图像分析领域的巨大潜力。智能化病理全流程覆盖是系统的发展目标。目前的辅助诊断系统主要聚焦于诊断环节，未来将逐渐延伸至病理科的全工作流程：包括标本接收、切片扫描、质量控制、初筛诊断、报告生成、病例随访等各个环节。例如，AI系统可以自动判断切片的质量，识别染色过浅、过厚、有气泡的不合格切片并提示重新制作；可以自动对常见疾病进行诊断并生成初步的诊断报告，医师仅需要进