以计算病理学为中心的下一代病理诊断模式

近年来，在信息技术领域取得了三个重要的进步：将大量数据从本地网络存储转移到云存储的潜在应用；网络速度从WIFI-6发展到5G时代；高性能中央处理器（CPU）和图形处理器（GPU）的性能的显著提升［210］。这些技术的进步不仅影响了人们的日常生活，而且对医学，尤其是DP和CPATH产生了巨大的影响。随着网络和信息技术的迅猛发展，这些技术的进步使得医疗数据和计算资源得以集中融合，有利于更大的样本数据量来优化算法。DL算法有可能促进发现更复杂或微妙的联系，并帮助病理医师做出最佳的临床决策，以满足每个患者的需求。(https://www.daowen.com)

因此，尽管大多数病理领域的AI研究仍集中在DP中关于肿瘤的诊断和分级，但CPATH的临床研究和应用并不局限于形态学模式的检测。它还可以综合人口统计信息、DP、组学和实验室结果对复杂病例进行分析和判断［222］。因此，AI技术有可能对临床工作流程的几乎所有方面产生积极影响，从精准诊断到预后，以及个性化治疗等。将多个来源的临床数据整合到DL学习模型中，可以对某些疾病进行诊断决策和结果预判，使医师、患者和实验室人员能够做出可能的最佳医疗决策［282］。例如，DNN已被应用于乳腺肿瘤图像生物标志物的自动评估，如HER2、ER和Ki67等［283］。Hamidinekoo等［284］创建了一种新的基于CNN的乳腺X线摄影-组织学-表型等相互连接的模型，以连接和绘制乳腺X线影像异常与其组织病理学之间的特征和表型关系。Mobadersany等［229］开发了一种基因组生存期CNN测试模型，用于整合来自组织学图像和基因组数据的信息来预测事件结果的发生时间，并证明其预测准确性超过了目前预测胶质瘤患者总生存期的临床模式。EHR系统能够收集记录许多医疗数据，如年龄、种族、性别、社会背景和临床病史等，而这些数据作为特定疾病的独立因素可以应用于适当的DL算法并使建立的模型更加全面可靠［212］。这些整合的数据可以使病理医师获得更多的疾病相关的临床资料，并在疾病的不同阶段和（或）患者的不同状态下的不同治疗的算法之间进行切换。随着移动设备与健康相关的应用程序和智能个人追踪仪器的普及，使得个人获取持续的实时健康信息，如体温、心率、呼吸频率、心电图、体重指数、血糖、血氧含量等指标变得更加方便，并记录到个人健康数据中。这些数据可以被整合到EHR和LIS中［285］，然后这些临床资料与患者的组织学图像通过LIS一起输入到CAPDS进行辅助决策，病理医师根据不断纳入的各种信息对CAPDS的决策建议不断进行修正，使CAPDS不断优化，最后形成一整套的综合了患者各种数据的决策意见或建议供临床使用。因此，这种数据驱动的新型医疗系统需要CPATH作为现代医学的基础，整合数据、算法和分析，以提供高质量和高效的医疗决策意见和建议。计算病理学和大数据挖掘的融合为循证医学和个性化医疗的实践提供了一种革命性的方式，这可能就是病理医师面临的下一代病理诊断模式，即以CPATH为中心融合了组织学特征和各种元数据的病理组学。