在肿瘤诊疗中，病理诊断一直是“金标准”。但现实挑战突出：病理科医生严重短缺。在美国，每10万人仅有约6.4名病理医生，且近三成已超过65岁，即将退休。全球范围内，资源匮乏地区的情况更加严峻。面对日益复杂的癌症病例，病理科医生每日承担大量重复性工作，压力巨大。

就在这时，数字病理学与人工智能（AI） 站了出来。它不是要取代病理医生，而是成为强大的“力量放大器”和“得力助手”——显著减轻工作负担、提升诊断效率与准确性，让病理科医生能把宝贵精力集中在最需要专业判断的疑难复杂病例上。更重要的是，它让一份常规病理切片释放出远超以往的分子与空间信息价值，帮助病理报告从“形态描述”升级为“形态+分子+空间”的综合生态解读。

一、数字切片：AI落地的坚实基础

十年前，数字化切片主要用于远程会诊。如今，“全切片成像”（WSI）已成为AI诊断的核心基础设施。FDA早已批准多款全切片成像系统，美国病理学家学会也发布了验证指南。这些标准让AI大规模应用有了可靠根基。

对病理科医生而言，这意味着：日常工作效率大幅提升，可通过AI辅助快速筛查、量化分析和远程协作，减少人为疲劳导致的误差，同时为年轻病理医生提供强大的学习和辅助工具，加速专业成长。

二、AI基础模型：从“形态”到“分子”的跨越

病理AI已进入基础模型时代。典型代表如PathAI的PLUTO-4（2025年11月发布），包括高效的PLUTO-4S（2200万参数）和高性能的PLUTO-4G（11亿参数）。它在超过55万张来自50多家机构的切片上预训练，覆盖60多种疾病和100多种染色方法，在细胞分割、空间转录组预测等多项任务上达到领先水平。目前主要通过PathAI商业平台提供服务，暂无公开免费模型权重。

PLUTO-4 是病理医生专属的智能超级阅片助手，可全方位辅助日常病理阅片工作：能够快速精准定位切片内肿瘤病变区域，高效完成各类细胞统计与免疫组化指标定量分析；自动完成肿瘤组织学分级、疾病分型与病变程度判定；依托海量病理数据从常规形态影像预判分子基因特征与用药相关靶点；大幅缩减人工阅片耗时，有效减轻临床工作压力；统一判读标准，降低人为阅片差异，减少漏诊与误诊风险；同时可标注典型病变特征、比对经典病例，助力青年病理医师快速积累经验、提升阅片诊断能力。

2026年5月发表在Cell上的Path2Space模型，正是这一趋势的最前沿突破。

三、Path2Space——无需昂贵空间测序，AI直接从H&E切片预测空间转录组

空间转录组学（Spatial Transcriptomics, ST） 技术能同时知道“哪个基因在哪个位置表达”，从而精准揭示肿瘤内部的异质性和微环境（TME）结构，这是寻找新型生物标志物、理解治疗耐药机制的关键工具。然而，传统空间转录组测序成本极高（数千美元/样本）、耗时长、技术门槛高，难以在大规模患者队列中推广应用。

美国国立癌症研究所（NCI）团队联合Cedars-Sinai等机构开发的Path2Space 模型，彻底改变了这一局面：仅需常规H&E染色病理切片图像，就能直接预测空间分辨率的基因表达。

模型工作原理：

Path2Space 采用 CTransPath 等图像基础模型 先从H&E切片中提取丰富的形态学特征（细胞形态、组织结构、染色模式等），再通过多层感知机神经网络，将这些视觉信息映射为每个空间“斑点”（约55微米直径区域）的基因表达向量。简单来说，AI学会了“看图说话”——从组织形态推断背后的分子活动。

核心性能亮点：

• 在大量乳腺癌空间转录组数据上训练后，能稳健预测 上万个基因 的空间表达，在独立验证队列中可稳定预测 4300+ 个基因（部分验证中接近5000个）。

• 基因水平中位Pearson相关系数 达到0.35–0.38（经空间平滑后更高），显著优于21种现有方法。

• 泛化能力极强：即使仅在新鲜冷冻组织上训练，在临床最常见的福尔马林固定石蜡包埋（FFPE）存档样本上依然表现良好，这意味着能直接应用于海量历史病理切片。

• 不仅预测基因表达，还能通过反卷积方法（如SpaCET）准确推断局部细胞类型丰度（包括癌细胞、淋巴细胞、成纤维细胞、不同免疫亚群等），并解析细胞类型特异性的基因表达变异。

分子标志物与细胞空间分布的紧密关系：特定细胞群体在肿瘤微环境中的局部富集，会直接驱动相应标志性基因的空间表达模式。Path2Space 正是捕捉了这一“细胞-分子-空间”闭环联动关系，从而实现从一张普通H&E切片到完整空间转录组图谱的跨越。

创新意义：Path2Space 把原本昂贵、耗时的空间测序变成了“几分钟、低成本、可大规模复制”的AI推理过程，为成千上万例存档样本重新“解锁”空间分子信息，极大加速了肿瘤生物标志物发现进程。



实际上Path2Space 的底层逻辑是：用大量 “H&E 图 — 空间转录组” 配对数据训练深度学习模型，让 AI 学会把病理切片上的细胞形态、纹理、结构特征，精准映射到对应位置的数千个基因表达水平；这项研究重点推断了乳腺癌驱动基因（HER2/ER/PR）、DNA 修复基因（CHEK2）、黏附分子（CDH1）及免疫 / 基质微环境标志物，从而把传统 “细胞形态诊断” 升级为 “分子空间地图诊断”，几乎无额外检测成本，推演速度快，还可对海量历史存档病理切片完成二次深度挖掘。

四、临床转化价值：重新定义乳腺癌亚组，助力精准治疗

研究团队将Path2Space应用于TCGA(癌症基因组图谱计划)乳腺癌队列976个肿瘤样本，发现了三个基于空间特征的乳腺癌亚组：

1. 空间异质性亚组：肿瘤微环境结构复杂，异质性高；

2. 空间均匀亚组：基因表达模式相对一致；

3. 中间组。

这三个亚组与患者无进展生存期显著相关，而传统bulk测序（指对大量细胞混合在一起的样本进行测序）往往无法清晰区分这些空间差异。

研究显示：在四个曲妥珠单抗治疗队列和三个化疗队列中，基于Path2Space预测的空间肿瘤微环境特征，展现的治疗响应预测准确性优于或相当于传统bulk测序生物标志物。特别是空间HER2异质性指标，在曲妥珠单抗响应预测中表现突出，支持免疫学“旁观者效应”假说。

AI对肿瘤医生和病理科医生的实际帮助非常直接：

• 更精准的分型与预后判断；

• 更好预测靶向治疗和化疗响应，指导个体化方案；

• 仅用常规H&E切片即可获得空间分子洞见，极大提升样本利用率；

• 病理报告可增加“AI空间微环境评分”，强化病理科在MDT（多学科会诊中）的引领作用；

• 加速新生物标志物发现，降低过度治疗或治疗不足风险。

特别对病理科医生而言，这类工具能显著提升报告深度与临床价值，减轻重复劳动强度，同时让病理诊断在精准肿瘤学时代发挥更大作用。

五、未来展望：AI让病理更强大

数字病理+AI的浪潮正加速推进。Path2Space等突破告诉我们：AI不是取代病理医生，而是让每一位医生如虎添翼。它把一份普通的H&E切片变成富含空间分子信息的“数据金矿”，帮助肿瘤团队更精准地判断预后、选择治疗，最终造福更多患者。

对肿瘤医生和病理科医生而言，现在正是积极拥抱这些AI工具的绝佳时机——系统学习数字病理基础知识、清晰了解AI的能力边界，将让您的诊疗决策更具前瞻性，成为更加强大的肿瘤专家与病理专家。

1. AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology. Cell, 2026.

2. AI-driven Non-Destructive 3D Spatial Transcriptomics - arXiv 2025

3. Archives of Pathology & Laboratory Medicine 137(12)

4. PLUTO-4: Frontier Pathology Foundation Models 2025