沈晓涵, 杜祥 引用本文: 沈晓涵, 杜祥. 人工智能在病理诊断领域中的应用[J].
肿瘤防治研究, 2020, 47(07): 487-491. SHEN Xiaohan, DU Xiang. Application of Artificial Intelligence in Pathological Diagnosis[J]. Zhong Liu Fang Zhi Yan Jiu, 2020, 47(07): 487-491. 在线阅读 View online: https://doi.org/10.3971/j.issn.1000-8578.2020.19.1131
您可能感兴趣的其他文章 Articles you may be interested in 肺结节活检和病理诊断在当前医疗实践中的必要性和可行性
Role of Pathology in Early Detection and Management of Lung Cancer-the Necessity and Feasibility of Small Biopsies in Targeted Lung Nodule in Current Clinical Practice 肿瘤防治研究. 2019, 46(11): 963-970 https://doi.org/10.3971/j.issn.1000-8578.2019.19.0900
原发甲状腺淋巴瘤的临床特征及预后 Clinical Characteristics and Prognosis of Primary Thyroid Lymphoma Patients 肿瘤防治研究. 2019, 46(06): 515-518 https://doi.org/10.3971/j.issn.1000-8578.2019.18.1561
影像基因组学及其在肾透明细胞癌中的研究进展 Radiogenomics and Its Research Progress in Renal Clear Cell Carcinoma 肿瘤防治研究. 2019, 46(05): 486-489 https://doi.org/10.3971/j.issn.1000-8578.2019.18.1429
皮下脂膜炎样T细胞淋巴瘤的临床特征及预后分析 Clinical Features and Prognosis of Subcutaneous Panniculitis-like T-cell Lymphoma 肿瘤防治研究. 2018, 45(07): 475-478 https://doi.org/10.3971/j.issn.1000-8578.2018.17.1329
Ubiquilin1蛋白在乳腺癌组织中的表达与预后意义 Expression of Ubiquilin1 Protein in Breast Cancer Tissues and Its Prognostic Significance 肿瘤防治研究. 2017, 44(8): 535-539 https://doi.org/10.3971/j.issn.1000-8578.2017.17.0153肿瘤防治研究2020年第47卷第7期 Cancer Res Prev Treat,2020,Vol.47,No.7 ·487· doi:10.3971/j.issn.1000-8578.2020.19.1131
人工智能在病理诊断领域中的应用
沈晓涵1,2，杜祥3,4 Application of Artificial Intelligence in Pathological Diagnosis SHEN Xiaohan1,2, DU Xiang3,4 1. Department of Experimental Pathology, Ningbo Diagnostic Pathology Center, Ningbo 315040, China; 2. Department of Pathology, Ningbo Medical Center Lihuili Hospital, Ningbo 315040, China; 3. Department of Pathology, Fudan University Shanghai Cancer Center, Shanghai 200032, China; 4. Pathology Institution, Shanghai Medical College, Fudan University, Shanghai 200032, China Corresponding Author: DU Xiang, E-mail: dx2008cn@163.com 收稿日期：2019-09-06；修回日期：2020-04-09 作者单位：1. 315040 宁波，宁波市临床病理诊断中心 实验病理科；2. 315040 宁波，宁波市医疗中心李惠利医院 病理科；3. 200032 上海，复旦大学附属肿瘤医院病理科； 4. 200032 上海，复旦大学上海医学院病理研究所 通信作者：杜祥（1963-），男，博士，教授，主任医 师，主要从事消化系统恶性肿瘤的临床病理诊断及分子病 理研究，E-mail: dx2008cn@163.com 作者简介：沈晓涵（1982-），女，博士，副主任医 师，主要从事常规病理与分子病理诊断工作
Abstract: In the context of “big data”, artificial intelligence based on deep learning has been increasingly influencing the diagnostic mode of pathology. The application of artificial intelligence in clinical diagnosis, especially in diagnosis of pathology, has offered the opportunity for precision medicine. This paper reviews the progress in the application of artificial intelligence in pathological diagnosis in respect of cytological screening, histopathologic diagnosis, immunophenotypic prediction and prognosis based on genetic typing. Key words: Artificial intelligence; Pathological diagnosis; Weakly supervised learning; Prognosis prediction
摘 要：在大数据的背景下，基于深度学习的人工智能日益影响着病理学的诊断模式。人工智能应用于临 床诊断，特别是病理诊断，为进一步实现精准医疗提供了契机。本文从细胞学筛查、组织学诊断、免疫表 型预测和基因分型预后判断四个方面来探讨人工智能在病理诊断中的应用进展及现状。 关键词：人工智能；病理诊断；弱监督学习；预后预测 中图分类号：TP18; R730.43
0 引言
2019年8月29日，世界人工智能大会在上海开幕，人工智能（artificial intelligence, AI）再次成为关注焦点，新一代AI正在深刻地改变各个领域， 医学是主要领域之一。医学图像包括X线图像、 CT图像、眼底镜图像、病理图像等，医学成像作 为常用的医疗辅助检查手段，在疾病诊疗中起着 杜祥 复旦大学教授，复旦大学附属肿瘤医院病理科主任医师，博 士生导师，复旦大学病理研究所所长，国家重点专科学科带头人，卫 生部临床重点专科学科带头人，上海市优秀学科带头人，上海市领军 人才。现任中国抗癌协会肿瘤病理专业委员会主任委员、中国研究型 医院学会病理学专业委员会主任委员、中国医师协会病理科医师分会 副会长、国家标准委全国生物样本技术委员会副主任委员、中国医学 装备协会病理装备技术专业委员会副主任委员、中国医药生物技术协 会组织样本库分会副主委、中国合格评定国家认可委员会（CNAS） 医学专业委员会委员、ISO15189医学实验室评审员。
从事肿瘤病理诊断三十余年，率先在国内完善形态—免疫组织 化学—分子病理的综合病理诊断模式，包括专科病理的建设、免疫 组织化学技术的提高和规范化流程的建立、分子病理检测技术的建 立及推广，带领复旦大学附属肿瘤医院病理科成为国家卫健委临床 重点学科、上海市重中之重重点学科、上海市模范集体。完成中组部两轮援疆工作，带动了新疆医科 大学病理学科建设，牵头组建宁波市区域性的临床病理诊断中心（上海市肿瘤医院宁波病理中心）。 近年作为课题负责人承担国家自然科学基金、上海市基础研究重大项目和重点项目及各类科研项目等 20余项。获得国家发明型专利4项，中国抗癌协会科技奖二等奖、上海市抗癌协会科技奖二等奖、上 海市科技进步奖二等奖，发表学术论文100余篇。
重要作用[1]。病理诊断常被视为诊断的“金标准” 或“最终诊断”，在临床诊断中尤为关键[2]。然 而，长时间的人工阅片常导致诊断准确率下降，且 病理医师的诊断具有一定主观性，由于疲劳阅片及 主观差异性等因素势必会带来一定的误诊率，从而 导致误治[3-4]。全切片数字化扫描技术（whole slide imaging, WSI）的出现，掀起了一股用计算机进行 病理切片图像自动阅片的浪潮。然而，染色密度、 切片平整度以及组织固定等问题均会对病理切片 的质量产生影响。此外，在图像采集过程中，图像 压缩时变形、噪声的出现以及切片扫描仪自身的特 性，都将影响图像的质量[2,5]。这些因素为AI算法的 应用带来了挑战和契机，也是目前重点关注的问题 和研究方向。
1 深度学习概述 1.1 卷积神经网络 图像识别有多种常用方法，如贝叶斯分类 法、模板匹配法等，这些方法在处理图像时均有 一定局限性。而深度学习算法使复杂的特征提取 简单化、抽象化，具有高速、省时及高识别率的 优点，为准确高效的图像识别带来了新契机[6-7]。 卷积神经网络（convolutional neural network, CNN）的研究及其在医学诊断中的应用，是将其 应用于医学图像识别中，通过深度学习的方式自 动识别图像[8-9]。CNN具有较强的鲁棒性（即系统 的健壮性，是指控制系统在一定的参数摄动下，维 持某些性能的特性，反映了在异常和危险情况下系 统生存的能力）、记忆、自学习等能力，在图像识 别中准确度较高，因此可为临床医生提供更为客观 的诊断结果，具有广泛的应用前景。目前C N N作 为深度学习算法的代表之一，因其结构较为简单 且适用性较强，广泛应用于医学图像处理和模式 识别中，特别是影像学与病理学[1,10-11]。
CNN是一种层次网络结构，由输入层、卷 积层、激活函数层、池化层、全连接层及输 出等部分组成[12-13] 。原始数据经卷积、激活函 数及池化等层层操作，最终剥离出高层语义概 念，即前馈运算。通过误差函数计算真实值和 输出值之间的误差值，反向逐层反馈并更新每 层参数，即反馈运算。通过前馈与反馈运算， 最 终 实现训练目的。C N N在 图像识别及准确 率方面均有较大优势，但 仍有多方面不足，例 如，减少参数量的同时如何提高运算效率、在训 练CNN模型的过程中如何选择合适的卷积核大小 以及如何设计网络结构等，都是CNN发展过程中 亟需解决的问题[14]。 1.2 弱监督学习与多示例学习 CNN是一种基于完全监督的深度学习模型， 要求样本类标完整。而在现实问题中，类标信息 往往是弱监督的。弱监督学习是一个总括性术 语，包括了通过较弱的监督来构建预测模型的各 种研究。弱监督主要分为三种类型：不完全监督， 即只有训练数据集的一个子集有标签，其余数据 无标签；不确切监督，即只有粗粒度的标签；不准 确监督，即给定的标签并非总是真值，通常由于标 注者主观因素或图像本身难以分类[15]。解决弱监督 样本集的训练问题，一直都是深度学习的研究重 点，并形成了系统的理论架构， 其一是多示例学 习[16-18]。多示例学习是指将样本集看作一个含若干 包的集合，每个包中均含有若干数量的示例（即 样本特征）。
当且仅当一个包中至少有一个示例 为正时为正包，反之则为负包。训练集中包的标 记已知而示例的标记未知，目的则是在示例标记 未知情况下预测包的标记。多示例学习是从关注 对示例类标的预测转为关注包类标的预测，而非 直接对每个示例样本进行预测。如将学习得到的 深度特征与多示例学习算法结合，可解决弱监督 学习下的图像分类问题，从而提高算法性能[18]。目 前的AI辅助病理诊断主要基于完全监督学习，需 要大量的人工标注，并由具备长期经验的病理专 家完成。染色浓度、成像模式及病理切片制作过 程中人为操作等问题严重影响病理图像的质量， 以及手动标注过程中病理图像的数量限制，使AI 辅助病理诊断成为当前临床诊疗AI研究领域的较 大难题。因此，若能采用弱监督学习的方式来构 建AI诊断模型，将极大提高病理专家的诊断效 率，减少时间及人力成本。
2 AI辅助病理诊断的研究及应用
2.1 细胞学筛查 人工智能辅助细胞学筛查最初应用于宫颈癌 细胞的辨认和分割。Song等[19]提出了基于超像素 和CNN的分割方法用于宫颈癌的细胞学筛查，结 果显示检测其精度达94.5%，为宫颈癌细胞的辨 认奠定了AI应用基础。Al-batah等[20]提出一种多重 适应神经模糊推理系统的模型，能将宫颈细胞图 像分为正常、低级别鳞状上皮内瘤变（low-grade squamous intraepithelial lesion, LSIL）和高级别鳞 状上皮内瘤变（high-grade squamous intraepithelial肿瘤防治研究2020年第47卷第7期 Cancer Res Prev Treat,2020,Vol.47,No.7 ·489· lesion, HSIL）三组，结果显示判读LSIL的准确度 为92.6%，HSIL为93.7%，正常细胞为97.3%。目 前，AI辅助宫颈癌细胞学筛查为临床病理诊断中 最有前景的应用领域[21]。
2.2 组织学诊断 近期，MSKCC计算机病理实验室THOMAS FUCHS团队公布了一项基于15 000例癌症患者 的4万余张数字化病理切片的新AI系统，结果显 示，前列腺癌、基底细胞癌和腋窝淋巴结转移 乳腺癌的测试曲线下面积（area under the receiver operating characteristic curve, A U C）分别为 0.991、0.988和0.966[22]。该系统为首个临床级 别的AI系统，训练过程中使用的数据均来自常 规病理报告，以多示例学习结合递归神经网络 的弱监督学习方式在数据集中进行训练。该研 究纳入了三个数据集，包括来自44个国家和地 区的15 187例癌症患者的44 732张病理切片图 像，其中24 859张前列腺癌、9 962张基底细胞 癌、9 894张淋巴结转移乳腺癌切片图像，比以 往研究中的数据集大一个数量级以上，因而对 肿瘤病理多样的组织学形态有更高的识别度。 研究同时纳入了具有常见技术问题的切片，如 气泡、固定不佳、组织不平整、数字图像模糊 等。据研究者估计，若该系统投入临床使用， 在保证1 0 0 %敏感度的条件下，能够减少病理 医师65%~75%的读片工作。该项研究还对来自 MSKCC以外医疗机构提供的12 000张切片数据 进行了验证，最终结果AUC下降5.84%，下降 的误差主要由于新数据的特异性、敏感度无显 著差异。此外，研究者还将该模型和基于完全 监督学习的AI模型进行对比，对两者的数据集 进行交叉训练后显示，新AI模型具有较好的性 能。由此可见，与精细的人工标注相比，数据 量大更具有意义。 目前关于针对不同肿瘤的AI竞赛中，乳腺癌 几乎成为竞赛热点，为AI在病理图像识别领域的 应用做了很好的示范和推广。例如，2016年由电 气和电子工程师协会（Institute of Electrical and Electronics Engineers, IEEE）下属的国际生物医学 成像研讨会（International Symposium on Biomedical Imaging, ISBI）举办了癌症淋巴结转移检测竞赛 （Cancer Metastases in Lymph Nodes Challenge 2016, CAMELYON16）[23]，针对常规HE染色的 数字扫描切片，在无时间限制条件下，部分计 算机学习结果与病理学专家诊断结果无明显差 异，而在有时间限制条件下，部分计算机学习结 果明显优于病理学专家的平均水平。此外，CruzRoa等[24]采用了C N N检测整张病理切片图像上浸 润性导管癌的存在，与手动标注的浸润性导管癌 区域相比，阳性预测值为71.62%，阴性预测值为 96.77%。基于AI的图像分析因其较高的准确性和 工作效率，引起了病理界的广泛关注，进一步推 动了AI在病理诊断领域的深入研究[25]。
2.3 免疫表型预测 免疫组织化学（immunohistochemistry, IHC） 是利用抗原和抗体特异性结合的原理对病理标本 进行切片、染色，使标记抗体的显色剂显色， 从而确定细胞内的抗原，对其进行定位、定性 及定量研究。IHC虽为病理诊断中最常用的检测 手段之一，但该检测耗时且昂贵，且依赖于病 理医师的主观判读。因此，如何用基于AI的图 像分析替代IHC检测正成为研究者的关注热点。 Shamai等[26]利用CNN算法分析基于形态学的分子 表达谱（morphological-based molecular profiling, MBMP），以此来预测乳腺癌免疫组织化学雌激 素受体（estrogen receptor, ER）表达情况，并探索 乳腺癌组织学形态特征与ER表达之间的关联，结 果显示MBMP在预测ER表达方面具有与IHC相当 的准确度。
该研究推断，通过适当的AI模型可识 别肉眼无法观察到的形态模式，并从HE染色图像 中预测分子表达。另一项研究则训练了一个AI模 型，预测非小细胞肺癌HE图像中PD-L1的状态，从 而判断患者受益于PD-1/PD-L1抑制剂的可能性[27]。 在训练组中，研究者提供了超过145 000张病理图 像来学习PD-L1+ 和PD-L1- 的HE图像特征，测试组 中预测PD-L1状态，其AUC达到0.80。该模型对肺 腺癌中的PD-L1状态预测优于肺鳞状细胞癌，且对 预测不同病理学家之间诊断的差异也有较好的鲁 棒性，即使在对应于最大病理学家间分歧（25% 重组样本）的情况下，该模型仍保留预测能力 （AUC=0.66, P=0.01）。通过基于AI图像分析来预 测肿瘤特征性免疫表型的表达状态，从而替代IHC 检测，不仅有助于患者的个性化诊断，还可为患 者预后评估提供依据。 2.4 基因分型及测序分析相关应用 近期有研究表明，深度学习算法可通过组织学 分级和基因分型对星形细胞瘤进行预后预测[28]。 研究者通过生存卷积神经网络（Survival Convolutional Neural Network, SCNN）算法构建AI模型， 有效识别了与星形细胞瘤中的异柠檬酸脱氢酶肿瘤防治研究2020年 （isocitrate dehydrogenase, IDH）突变相关的组织学 差异，并相应预测了患者预后，其预测准确性超过 基于基因分型和组织学分级的最新版WHO标准。 随着高通量测序（Next-Generation Throughput Sequencing, NGS）的到来，生物信息学面临的主 要挑战是如何有效地将基因组学大数据转化为有 价值的信息。NGS数据产生错误的复杂性以及处 理大数据的耗时性是现今NGS发展所面临的主要 问题。
AI技术以其高效和精准的数据处理能力， 在生物信息学、基因组学等领域具有较好的潜在 应用价值。在一篇相关报道中，研究者构建AI模 型分析RNA测序数据集（RNASeq），从基因表 达谱中识别生物标志物以区分乳头状肾细胞癌的 不同分期，根据不同的算法筛选了80个呈显著相 关性的基因，并通过细胞特征提取揭示了晚期染 色体不稳定性增加的潜在机制[29]。NGS技术产生 的大量基因组学数据需要越来越多快速和复杂的 算法，这为深度学习应用于NGS各个领域并加速 测序进程提供了契机。有研究者归纳了基于不同 NGS应用领域可用的深度学习算法，其中应用占 比最高的是蛋白质与调控序列领域，占50%；其 余依次为单核苷酸多态性（Single Nucleotide Polymorphism, SNPs）（18.75%）、表观遗传学修饰 （12.50%）、生物标志物研究与监测（6.25%）、 蛋白质结构预测（6.25%）和mRNA剪接变异领域 （6.25%）[30]。
3 总结与展望 综上所述，深度学习算法大大推动了AI辅助 病理诊断的发展。近年来，从细胞学筛查到组织 病理学的诊断分类、预后判断，再到分子病理学 的基因分型、NGS领域等多层面的科学研究显 示，AI在病理诊断中正体现越来越重要的价值。 然而由于医疗数据的限制以及临床高准确率的要 求，AI辅助病理诊断现阶段大多尚未能真正走出 实验室进入临床应用，仍存在较多局限。但在大 数据和云计算技术的协同作用下，病理AI技术将 迎来快速发展期。近期，AI辅助病理诊断有望在 多方面改变我们的业态，给病理诊断带来更多便 利，从而提高病理医师工作效率，降低漏诊、误 诊率[31]。计算机能发现人眼不易察觉的细节，学 习病理图像分子层面上的特征，进而不断完善病 理诊断的知识体系[32]。AI不仅能用于组织学形态 判断，还可整合免疫表型、基因分型和临床相关 信息，得出一个具有综合信息的诊断报告，为患 者提供预后预测和精准的药物治疗指导。当然， 作为一种辅助诊断技术，AI并不能替代病理学专 家，而是为病理诊断带来更多便利[31]。 从长远趋势来看，AI技术在病理诊断中的应 用有可能为缓解病理领域诸多困境和挑战、实现 精准医疗带来更多契机，从而改善中国目前病理 医师缺乏、诊断水平地区差异大的局面，为构建 方便快捷的新型诊断模式奠定坚实基础。基于深 度学习的AI在病理诊断中的深入研究，将为新型 医疗模式带来无限可能。 参考文献： [1] Bi WL, Hosny A, Schabath MB, et al. Artificial intelligence in cancer imaging: Clinical challenges and applications[J]. CA Cancer J Clin, 2019, 69(2): 127-157. [2] 王艺培, 闫雯, 张益肇, 等. 面向精准医疗的人工智能在病理图 像中的应用[J]. 现代信息科技, 2018, 2(5): 170-172. [Wang YP, Yan W, Zhang YZ, et al. Application of artificial intelligence for precision medicine in pathological image[J]. Xian Dai Xin Xi Ke Ji, 2018, 2(5): 170-172.] [3] Gurcan MN, Boucheron L, Can A, et al. Histopathological Image Analysis: A Review[J]. IEEE Rev Biomed Eng, 2009, 2: 147-171. [4] 许燕, 汤烨, 闫雯, 等. 病理人工智能的现状和展望[J]. 中华病理 学杂志, 2017, 46(9): 593-595. [Xu Y, Tang Y, Yan W, et al. Current Situation and Prospect of Pathological Artificial Intelligence[J]. Zhonghua Bing Li Xue Za Zhi, 2017, 46(9): 593-595.] [5] Edge SB, Compton CC. The American Joint Committee on Cancer: the 7th Edition of the AJCC Cancer Staging Manual and the Future of TNM[J]. Ann Surg Oncol, 2010, 17(6): 1471-1474. [6] LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. [7] Litjens G, Sánchez CI, Timofeeva N, et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis[J]. Sci Rep, 2016, 6: 26286. [8] 圣文顺, 孙艳文. 卷积神经网络在图像识别中的应用[J]. 软件 工程, 2019, 22(2): 13-16. [Sheng WS, Sun YW. Application of Convolutional Neural Network in Image Recognition[J]. Ruan Jian Gong Cheng, 2019, 22(2): 13-16.] [9] Bychkov D, Linder N, Turkki R, et al. Deep learning based tissue analysis predicts outcome in colorectal cancer[J]. Sci Rep, 2018, 8(1): 3395. [10] Tizhoosh HR, Pantanowitz L. Artificial Intelligence and Digita l Pathology: Challenges and Opportunities[J]. J Pathol Inform, 2018, 9: 38. [11] De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease[J]. Nat Med, 2018, 24(9): 1342-1350. [12] Zhang L, Lu L, Nogues I, et al. Deep Pap: deep convolutional networks for cervical cell classification[J]. IEEE J Biomed Health Inform, 2017, 21(6): 1633-1643 [13] Janowczyk A, Madabhushi A. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases[J]. J Pathol Inform, 2016, 7: 29. [14] 杨子贤. 基于深度学习卷积神经网络图像识别技术的研究 与应用[J]. 中国设备工程, 2018, 12(23): 146-149. [Yang ZX. Research and application of image recognition technology based on deep learning convolution neural network[J]. Zhongguo She Bei Gong Cheng, 2018, 12(23): 146-149.] [15] Zhou ZH. A brief introduction to weakly supervised learning[J]. Natl Sci Rev, 2018, 5(1): 44-53. [16] Cinbis RG, Verbeek J, Schmid C. Weakly Supervised Object Localization with Multi-Fold Multiple Instance Learning[J]. IEEE Trans Pattern Anal Mach Intell, 2017, 39(1): 189-203. [17] Kraus OZ, Ba JL, Frey BJ. Classifying and segmenting microscopy images with deep multiple instance learning[J]. Bioinformatics, 2016, 32(12): i52-i59. [18] 何克磊, 史颖欢, 高阳, 等. 一种基于原型学习的多示例卷积神 经网络[J]. 计算机学报, 2017, 40(6): 1265-1274. [He KL, Shi YH, Gao Y, et al. A Prototype Learning Based Multi-Instance Convolutional Neural Network[J]. Ji Suan Ji Xue Bao, 2017, 40(6): 1265-1274.] [19] Song Y, Zhang L, Chen S, et al. A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei[J]. Conf Proc IEEE Eng Med Biol Soc, 2014, 2014: 2903-2906. [20] Al-batah MS, Isa NA, Klaib MF, et al. Multiple adaptive neurofuzzy inference system with automatic features extraction algorithm for cervical cancer recognition[J]. Comput Math Methods Med, 2014, 2014: 181245. [21] 孙苗苗, 张智弘. 人工智能在病理诊断中的应用[J]. 中华病理 学杂志, 2019, 48(4): 338-340. [Sun MM, Zhang ZH. Application of Artificial Intelligence in Pathological Diagnosis[J]. Zhonghua Bing Li Xue Za Zhi, 2019, 48(4): 338-340.] [22] Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images[J]. Nat Med, 2019, 25(8): 1301-1309. [23] Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer[J]. JAMA, 2017, 318(22): 2199-2210. [24] Cruz-Roa A, Gilmore H, Basavanhally A, et al. Accurate and reproducible invasive breast cancer detection in whole-slide images: a deep learning approach for quantifying tumor extent[J]. Sci Rep, 2017, 7: 46450. [25] 郑闪, 孙丰龙, 张慧娟, 等. 人工智能在肿瘤组织病理学的研 究现状[J]. 中华肿瘤病理杂志, 2018, 40(12): 885-889. [Zheng Shan, Sun Fenglong, Zhang Huijuan, et al. Current applications of artificial intelligence in tumor histopathology[J]. Zhonghua Zhong Liu Bing Li Za Zhi, 2018, 40(12): 885-889.] [26] Shamai G, Binenbaum Y, Slossberg R, et al. Artificial Intelligence Algorithms to Assess Hormonal Status From Tissue Microarrays in Patients With Breast Cancer[J]. JAMA Netw Open, 2019, 2(7): e197700. [27] Sha L, Osinski BL, Ho IY, et al. Multi-Field-of-View Deep Learning Model Predicts Nonsmall Cell Lung Cancer Programmed Death-Ligand 1 Status from Whole-Slide Hematoxylin and Eosin Images[J]. J Pathol Inform, 2019, 10: 24. [28] Mobadersany P, Yousefi S, Amgad M, et al. Predicting cancer outcomes from histology and genomics using convolutional networks[J]. Proc Natl Acad Sci USA, 2018, 115(13): E2970-E2979. [29] Singh NP, Bapi RS, Vinod PK. Machine learning models to predict the progression from early to late stages of papillary renal cell carcinoma[J]. Comput Biol Med, 2018, 100: 92-99. [30] Celesti F, Celesti A, Wan J, et al. Why Deep Learning Is Changing the Way to Approach NGS Data Processing: a Review[J]. IEEE Rev Biomed Eng, 2018, 11: 68-76. [31] 陈杰. 关注人工智能迎接新的挑战[J]. 中华病理学杂志, 2019, 48(1): 1-2. [Chen J. Call attention to artificial intelligence and greet the new changes[J]. Zhonghua Bing Li Xue Za Zhi, 2019, 48(1): 1-2.] [32] Louis DN, Feldman M, Carter AB, et al. Computational Pathology: A Path Ahead[J]. Arch Pathol Lab Med, 2016, 140(1): 41-50. [编辑：刘红武；校对：邱颖慧] 作者贡献： 沈晓涵：论文撰写与修改 杜 祥：论文审查与指导