AI 与人类病理学家相比，准确度如何？
在多种疾病中，人工智能诊断工具展现出高准确性，其表现往往与人类病理学家相当甚至更优。一项2024年针对100项研究、涵盖超过15.2万张全切片图像的系统综述与荟萃分析报告指出，AI在数字病理学中的平均灵敏度为96.3%，特异度为93.3%[3]。这意味着AI在100次诊断中约能正确识别96次疾病，并在100次中约能正确排除93次——其表现与经验丰富的病理学家不相上下。
针对特定癌症，相关数据同样表现突出。在乳腺癌领域，一款人工智能工具检测浸润性癌的曲线下面积（AUC）达到0.976，灵敏度为91.7%，特异度为95%[4]。另一项关于乳腺癌Ki-67评分的研究显示，病理学家使用AI后，错误率从5.9%降至2.1%[2]。对于牙源性角化囊肿（颌骨囊肿），AI模型的诊断AUC达到0.935，预后AUC为0.840[7]。这些数据表明，在明确界定的任务中，AI的表现可达到甚至超越单个病理学家的水平。
AI 能帮助病理学家更好地工作吗？
是的，多项研究表明，人工智能辅助显著提升了病理学家的准确性、一致性和效率。在一项针对MASH（一种肝病）纤维化分期的随机交叉研究中，AI辅助将病理学家对临床试验候选者（F2-F3纤维化）识别的一致性从45%提升至71%，对治疗反应评估的一致性从49%提升至61%[1]。这使得需要病例仲裁的情况减少了约25%，同时研究效力提高了50%[1]。
在乳腺癌Ki-67评分中，来自全球的90位病理学家在使用AI辅助后，评估者间一致性显著提升（组内相关系数从无AI时的0.70升至0.92），且周转时间缩短了11.9%[2]。在乳腺病变分类方面，三位病理学家在AI支持下诊断准确率从97.1%提升至100%，阅片时间减少16.5%，免疫组化使用率下降33%[4]。这些结果表明，AI不仅能与人类水平相当，更能让病理学家表现更优、速度更快、结果更稳定。
有哪些局限和注意事项？
尽管表现强劲，AI病理学工具仍存在重要局限。2024年的荟萃分析指出，纳入的100项研究中，99%至少有一个领域存在高偏倚风险或偏倚风险不明确，且许多研究在病例选择和数据划分方面缺乏清晰报告[3]。这意味着实际应用中的准确率可能低于报告数据。此外，AI在处理未经训练的任务时表现不佳——例如，用于视网膜疾病的AutoML模型对视网膜静脉阻塞效果良好，但对视网膜脱离的效果则较差[6]。
AI的性能因组织类型和疾病而异。在语音病理检测中，一个AI分类器的总体准确率达到90%，但特异性仅为73%，这意味着它误将健康声音标记为病变声音的概率为27%[5]。在纤维化分期方面，AI辅助提高了病理学家之间的一致性，但并未改变单个病理学家自身的判断一致性[1]。这些局限性表明，AI尚不能独立替代人类病理学家，尤其是在处理复杂或罕见疾病时。现有证据充分支持AI作为增强人类专业能力的强大辅助工具，而非其替代品。
关于这些来源
该回答基于7篇经同行评审的研究——发表于2021年至2025年间，其中5篇为2024年或之后发表，6篇发表于Q1期刊，累计被引289次——这些研究是从通过质量筛选的7篇研究中选出的最具相关性的成果，而后者又源自一个包含超过5亿篇论文的数据库中所检索到的71篇文献。
本文引用的文献
AI数字病理学作为辅助病理学家评估MASH纤维化分级的实用性
在一项针对MASH试验中120份肝脏切片的随机交叉研究中，AI辅助将病理学家之间关于纤维化分期的评估一致性从45%提升至71%（用于识别临床试验候选者），并将裁定需求减少了约25%[1]。
AI提高了病理学家在乳腺癌Ki67评估中的准确性、一致性和效率。
在一项涉及90名病理学家评估乳腺癌Ki-67的研究中，人工智能将评分误差从5.9%降至2.1%，提高了评估者间的一致性（组内相关系数从0.70提升至0.92），并将周转时间缩短了11.9%[2]。
数字病理学中的人工智能：诊断测试准确性的系统综述与荟萃分析
一项涵盖100项研究（超过152,000张全切片图像）的荟萃分析报告显示，人工智能的平均灵敏度为96.3%，特异度为93.3%，但99%的研究存在高或不明确的偏倚风险[3]。
基于人工智能的乳腺病变综合分类方法：聚焦提升病理医生的准确性与效率
在104例乳腺病例中，人工智能对浸润性癌的AUC达到0.976，对导管原位癌的AUC同样为0.976；病理医生借助AI后，准确率从97.1%提升至100%，阅片时间缩短了16.5%[4]。
使用马来西亚语音病理数据库时，在线序列极限学习机在检测语音病理方面的准确性
一种在线AI分类器（OSELM）在382名参与者中检测语音病理的准确率为90%，灵敏度达98%，但特异度仅为73%，显示出其在排除疾病方面的局限性[5]。
自动机器学习在从超广角伪彩色眼底图像中分类视网膜病变的准确性
非编程人员创建的AutoML模型能够高精度地检测视网膜静脉阻塞和视网膜色素变性（AUPRC 0.921-1），但在检测视网膜脱离方面表现较差[6]。
基于数字病理学的人工智能模型用于散发性牙源性角化囊肿的鉴别诊断与预后评估
基于519例病例的2157张组织学图像，用于牙源性角化囊肿诊断的AI模型AUC达到0.935，预后AUC达到0.840[7]。