切片上云、AI 读片：2026 年数字病理走到哪一步

一、从论文里很厉害，到科室里能用一点

AI 辅助病理诊断这个概念提了很多年。前几年的报道多是准确率、比赛排名、论文成果，最近两年，讨论的重心明显变了：能不能通过审批、能不能进收费目录、医生愿不愿意看它的结果。

这个变化本身就说明，技术已经不是最大的障碍。

二、三个层次的真实进展

1. 已经稳定：扫描、存储、远程会诊

这三件事技术上是成熟的。全片扫描的分辨率和速度已经能满足常规诊断，远程会诊在多数省级平台已经常态化运行。现在的瓶颈是成本和流程，不是技术。

2. 正在落地：AI 辅助筛查

宫颈细胞学、结核、部分肿瘤的辅助定位，是目前落地相对扎实的方向。这些应用的定位很明确：帮医生减少漏检，不是替代医生出报告。

医生对这类工具接受度高，原因也很实际：它把重复劳动接过去了，判断权还在人手里。

3. 还在早期：多模态与预后预测

把切片图像、分子检测和临床数据合在一起做判断，目前还处在研究和小范围验证阶段。距离常规使用有距离，但方向清楚。

三、国内落地真正的四个障碍

1. 数据合规

全片图像属于医疗数据。跨机构使用、训练模型、上传云端，都要符合相应的管理规定。这一条决定的是方案架构，不只是软件功能。

2. 算力与成本

一套全片扫描加存储加算力的投入，对县级医院不是小数目。多数单位的做法是先上扫描和存储，AI 部分后续再加。

3. 医生的信任

回顾性验证容易做得漂亮，前瞻性验证才说明问题。医生真正关心的不是论文里的准确率，而是在我这个科室、这批片子上的漏检率。

4. 收费与责任

AI 给出提示之后，谁签字、谁负责，目前各地做法不一。这一条不解决，多数科室的态度就是可以看，但不用它出结论。

四、对当下采购的启示

1. 留接口，但别为 AI 功能付溢价

现在买扫描仪，重点看它能不能对接外部 AI 平台、能不能导出标准格式。至于设备自带的分析模块，判断它是否真的被用起来，比看功能清单重要。

2. 算力可以后补，存储最好一次到位

存储扩容的麻烦远大于算力。一次把三到五年的容量规划进去，比每年加硬盘省事。

3. 先解决能用，再谈智能

会诊能不能发出去、教学能不能标注、诊断号能不能对上，这些基础流程没理顺，再加 AI 也只是多一个没人用的功能。

五、结语

数字病理不是一次升级，是分阶段的流程改造。2026 年的现实是：扫描和远程会诊已经可以放心用，AI 辅助筛查在特定方向能用，全流程的智能化还在路上。

对大多数单位来说，现在最划算的做法是：把扫描和存储打好底，把流程理顺，AI 什么时候成熟，什么时候接进来。