硬件及基础设施的限制

CPATH的辅助应用工具开发、训练和验证需要大量的数据集，而这个过程必须依赖可靠的硬件和软件以及安全的网络环境支持。而且，深度机器学习解决方案，特别是在应用病理图像分析时，严重依赖高性能图形处理器（graphics processing unit，GPU），即计算机显卡上用于快速处理图形和图像的芯片［288］。一个强大的GPU可以提升病理DS图像分析的质量和性能，从而与CPU一起提升计算能力和减少DS图像分析时间。尽管5G网络在国内落地应用已经两年，但在实际生活和工作环境中人们并未感受到预想中的网速提升，无论是局域网还是广域网的数据带宽都将成为数据传输和图像处理的障碍和瓶颈，从而限制了包括DS图像在内的数据的上传和下载速度。只有当网络中的所有这些相关影响因素都得到解决并形成一个高效稳健强大的系统，CPATH才能顺利向前推进，为病理医师提供疑难复杂病例的辅助决策工具或者完成更深入复杂的研究任务。另外，虽然近几年WSS的扫描速度和图像缝合压缩技术有明显的改善，基于WSI模式的DS图像的大小有所降低，但每个病例的DS图像的平均大小也在1 GB左右，面对大量的图像数据，既需要具有包括强大处理能力的GPU和计算能力的CPU的高性能计算机，同时又要解决庞大数据的安全存储问题，这些都是制约CPATH发展的不利因素。(https://www.daowen.com)