AI 病理的“地基工程”：一张标准化液基薄层玻片，如何决定人工智能的上限

行业观察 · 2026 年 10 月

过去两年，病理基础模型、视觉语言模型、病理智能体（Agent）轮番登上《Nature》《Nature Medicine》的舞台，参数越来越大，任务越来越多。但一个朴素的工程常识正在被反复验证：算法的上限，取决于数据的质量；而数据的质量，在制片间里就已经被决定了。

对于液基薄层细胞学（Liquid-Based Cytology, LBC）而言，这句话尤为真切。本文基于近年国内外已发表研究，从“痛点—质控—溯源—数据供给—临床证据”五个维度，梳理全流程全自动液基薄层细胞制片为何是 AI 病理最上游、也最容易被低估的基础设施。

一、被忽视的起点：涂片质量，曾是宫颈筛查最大的“漏网之鱼”

传统巴氏涂片开创了宫颈癌筛查的时代，但它的技术天花板同样清晰。一篇发表于《Reviews in Obstetrics & Gynecology》的综述指出，传统巴氏涂片对高级别病变的报告敏感度跨度较大，假阴性率亦不低，并且相当比例的假阴性可归因于取样或玻片制备环节的局限——换句话说，相当一部分漏诊不是医生看漏了，而是玻片本身就没做好：细胞重叠、黏液与红细胞遮盖、大部分细胞随取样刷被丢弃，真正转移到玻片上的只是样本的一小部分^[1]。

液基薄层细胞技术正是为解决这一问题而生：细胞先进入保存液，经离心或过滤去除杂质，再均匀沉降成单层薄层。效果在对照研究中可以量化：

• 一项发表于《Pakistan Journal of Medical Sciences》的对照研究显示，液基法的标本满意率高于传统涂片；对低级别鳞状上皮内病变（LSIL）的检测敏感度从 71.8% 提高到 87.2%，对高级别病变（HSIL）从 61.9% 提高到 76.2%^[2]。
• 美国病理学家协会（CAP）的实验室调查数据显示，液基技术（ThinPrep、SurePath）的 LSIL 检出中位率高于传统涂片^[1]。

液基技术由此成为宫颈癌筛查和多种脱落细胞学检查的主流方法。但故事到这里只讲了一半。

二、半自动的尴尬：“人”仍是体系里最大的变量

早期液基设备多为半自动：人工混匀、人工转移、分批处理。不同操作者在混匀力度、沉降时间、染液用量上的细微差别，都会造成细胞密度、分布均匀度、染色强度的批次间甚至片间波动。

这些波动对人工阅片来说尚可凭经验补偿，但对 AI 的影响则更为直接。陕西省人民医院团队发表于《现代检验医学杂志》（2023 年）的研究给出了一个有说服力的对照：同一套 AI 辅助系统，在膜式制片（TCT）玻片与沉降式制片（LCT）玻片上的表现存在明显差异^[3]。该研究提示：制片方式的差异，会直接改写同一个 AI 模型的表现。

正因如此，行业早已开始行动。2021 年，中华医学会病理学分会相关学组即在《中华病理学杂志》发布《宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识》，把图像采集与前处理质控提到规范化高度^[4]；2024 年，《诊断病理学杂志》也刊文总结全自动液基薄层细胞制片机的使用经验，指出其在减少人为差异、稳定制片质量方面的价值^[5]。共识很清楚：要谈 AI，先管好制片。

三、价值之一：把质控从“事后抽查”变成“全流程闭环”

全流程全自动液基薄层制片流水线，将样本识别、混匀、富集、沉降制片、独立染色、自动封片乃至初步质控集成于一体，其本质是把质控嵌入每一个物理与软件环节：进样端条码识别降低错样漏样风险；程控离心与机械臂吸注减少人为力度差异；沉降仓体积、温度、时间可控，有助于保证细胞单层均匀；独立染色仓配合一次性染液，有助于减少交叉污染与批间差；传感器与视觉定位实时监控，异常玻片可触发提示。

这不再是理念，而是有数据验证的现实。南宁市某三甲医院病理科的研究发表于《诊断病理学杂志》（2025 年）：构建并实施液基细胞学技术全流程质控体系后，制片优良率由 96.76% 提升至 99.39%，重制片率从 1.07% 降至 0.12%^[6]。

对 AI 而言，这组数字的意义在于：当绝大多数玻片“长得一样好”，模型就不必浪费容量去学习和容忍噪声，可以把更多能力用于识别真正的病变特征。

四、价值之二：全链路溯源，让每张玻片成为“可审计的数据资产”

AI 病理要进医院、过监管、担责任，必须回答一个问题：这张图像从哪里来？全自动流水线通过“一瓶一码、一码到底”，把样本瓶条码、玻片激光打码、HIS/LIS 病例信息、混匀时间、离心转速、染液批次、封片温度、操作者与耗材批号写入结构化日志——每一张玻片都成为可回溯、可审计的数据资产。

这一能力的学术价值正在被国际学界正式确认。2026 年发表于《Journal of Pathology Informatics》的一项框架性研究指出，当前计算病理学数据集常将生物学单位（患者、标本）、实验室制备物（蜡块、玻片）与衍生数字数据（全切片图像、图块）混为一谈，并建议借鉴 DICOM 层级信息模型，明确报告从患者、标本、蜡块、玻片到全切片图像和图块的各层级数量^[7]。全自动制片从源头统一了数据的产生标准和记录方式，让这种“精确到每一张玻片”的透明报告成为可能——这也是多中心验证、真实世界研究和联邦学习得以对齐的数据前提。

五、价值之三：为基础模型供给“标准化口粮”

今天的病理 AI 已进入基础模型时代，而基础模型是“吃数据”长大的：

• 2025 年发表于《npj Digital Medicine》的 PathOrchestra 模型，使用来自 3 个中心、21 种组织类型的 287,424 张全切片图像进行自监督预训练，并在 112 项临床级任务上验证^[8]；
• 哈佛医学院 Mahmood 实验室发表于《Nature Medicine》（2025 年）的 TITAN 模型，预训练使用了 335,645 张全切片图像，并配对了 18 万余份病理报告与 42 万余条合成描述，实现了无需微调的检索与报告生成^[9]。

这些模型的共同前提是：海量、高质量、标准化的图像输入。细胞分布不均、背景杂质、染色波动，都会以噪声形式进入特征空间，削弱模型对真实病理特征的学习。

更直接的证据来自 2026 年发表于《Journal of Pathology: Clinical Research》的一项系统实验：研究者以软组织肿瘤为测试案例，评估了包括 UNI-v2、Virchow、TITAN 在内的七种 AI 模型对染色差异与不同品牌扫描仪差异的鲁棒性。结果发现，基础模型虽展现出一定的稳健性，但当训练循环中纳入少量染色变异的玻片时，模型性能显著提升^[10]。这个结论的反面恰恰说明：数据来源越标准化，模型在真实世界的部署就越可靠；而前端制片的均一化，正是减少这类“非生物学变异”最经济、最根本的手段之一。

六、中国证据：AI 细胞学已被证明有效，但前提是“喂好它”

在宫颈细胞学这一 AI 落地最快的病理细分领域，中国研究已经积累了扎实证据：

• 中国医科大学附属盛京医院团队对 29,354 例宫颈细胞学涂片的研究（《中国医科大学学报》，2023 年）显示：以复核结果为最终诊断，AI 诊断灵敏度达 98.59%，阴性预测值 99.66%；AI 漏诊率（1.41%）低于人工阅片（2.69%），且无 LSIL 及以上级别漏诊；AI 完成一张涂片扫描诊断耗时短于病理医师人工诊断^[11]。
• 郑州大学第三附属医院团队发表于《Modern Pathology》（2024 年）的研究显示，病理医生在 AI 辅助系统（AICyte）帮助下，平均阅片时间显著缩短，对 CIN2+ 病变的检测灵敏度与原始诊断持平（97.89%），特异性有所提高^[12]。
• 更早的多中心队列研究（《Cancer Medicine》，2020 年）已在全国性约 70 万名女性的宫颈癌筛查人群中验证了 AI 辅助细胞学诊断系统的有效性^[13]；中山大学孙逸仙纪念医院团队研发的 AICCS 系统发表于《Nature Communications》（2024 年），在多中心及前瞻性数据集中证实了 AI 辅助可提升细胞病理医师的 AUC、敏感性与特异性^[14]。该研究同时提醒：中国预计有超过 3.5 亿 30～65 岁女性需要定期接受宫颈细胞学筛查，现有筛查能力远不能满足需求^[14]。

但请注意这些研究的共同隐含条件：它们全部建立在液基薄层、质量合格的玻片之上。前述对照研究^[3]已经说明，一旦制片质量波动，AI 的表现就会打折。要把上述研究级别的性能复制到每一家医院、每一个批次，靠的不是运气，而是标准化的制片基础设施。

七、结语：智能的起点，写在那张玻片上

把病理前处理从依赖个人经验的“手艺”，变成可量化、可复现、可追溯的工程体系——这是全流程全自动液基薄层制片流水线的真正意义：

• 质控：让每张玻片“足够好”。上述研究显示优良率 99.39%、重制片率 0.12% 是可达到的水平^[6]，其他机构实现情况需结合自身条件评估；
• 溯源：让每张玻片“可被信任”。从患者到图像块的完整层级记录，正是国际学界呼吁的数据标准^[7]；
• 标准化：让这些玻片能真正喂养基础模型与诊断 Agent，让 AI 从“实验室演示”变成“临床基础设施”。

当病理科真正实现“样本进、报告出、AI 全程质控与辅助”，人们会发现：一切智能的起点，都写在那张标准化的薄层细胞玻片上。算法决定 AI 能跑多快，而制片，决定 AI 能走多远。

参考文献

1. The Impact of Liquid-Based Cytology in Decreasing the Incidence of Cervical Cancer. Reviews in Obstetrics & Gynecology.
2. Comparison of PAP smear and liquid based cytology as a screening method for cervical carcinoma. Pakistan Journal of Medical Sciences. 期刊页
3. 陈洁, 李文生, 张伟. 人工智能辅助系统在宫颈液基细胞学分析中的应用价值研究. 现代检验医学杂志, 2023, 38(5): 155-159.
4. 中国病理医师协会数字病理与人工智能病理学组, 等. 宫颈液基细胞学的数字病理图像采集与图像质量控制中国专家共识. 中华病理学杂志, 2021, 50(4): 319-322. 期刊页
5. 苏红丹, 高丽丽, 李青. 全自动液基薄层细胞制片机的使用体会. 诊断病理学杂志, 2024, 31(7): 680-681+684.
6. 李碧奇, 莫月清, 谢丽. 液基细胞学技术全流程质控体系的价值探讨. 诊断病理学杂志, 2025(6).
7. Dy A, et al. A straightforward framework to harmonize computational pathology. Journal of Pathology Informatics, 2026. 原文
8. Yan F, Wu J, Li J, et al. PathOrchestra: a comprehensive foundation model for computational pathology with over 100 diverse clinical-grade tasks. npj Digital Medicine, 2025, 8: 695. 原文
9. Ding T, Wagner SJ, Song AH, et al. A multimodal whole-slide foundation model for pathology (TITAN). Nature Medicine, 2025, 31: 3749-3761.
10. Chai B, Chen J, Cool P, et al. Impact of tissue staining and scanner variation on the performance of pathology foundation models: a study of sarcomas and their mimics. Journal of Pathology: Clinical Research, 2026, 12(2): e70080. DOI: 10.1002/2056-4538.70080
11. 张舒婉, 张文川, 张喆, 等. 人工智能在宫颈病变初步筛查中的应用. 中国医科大学学报, 2023, 52(8): 694-698. 期刊页
12. Assessment of Efficacy and Accuracy of Cervical Cytology Screening with Artificial Intelligence Assistive System (AICyte). Modern Pathology, 2024.
13. Bao H, Sun X, Zhang Y, et al. The artificial intelligence-assisted cytology diagnostic system in large-scale cervical cancer screening: a population-based cohort study of 0.7 million women. Cancer Medicine, 2020, 9(18): 6896-6906. PubMed
14. Wang J, Yu Y, Tan Y, et al. Artificial Intelligence Enables Precision Diagnosis of Cervical Cytology Grades and Cervical Cancer (AICCS). Nature Communications, 2024, 15: 4369. 原文