医学AI的成就与法医AI的差距
2017年斯坦福团队在《自然》上展示了深度学习皮肤癌图像分类达到皮肤科专家水平的成果，此后AI医学影像论文数量爆发式增长。但法医病理领域的AI应用至今寥寥无几——不是技术问题，是数据问题。医学影像AI的成功建立在三个支柱上：大规模标准化数据集（PACS系统中数百万张统一体位和扫描参数的影像）、明确的临床金标准标签（病理活检证实的诊断）、以及清晰的评价指标（灵敏度/特异度/AUC）。法医病理在这三个维度上均严重滞后。
法医病理图像的特殊挑战
异质性与标准化缺失
临床放射学的标准体位和扫描参数保证了输入图像的高度同质化——胸部CT永远是横断面、肺窗/纵隔窗、1-3mm层厚。法医病理的肉眼照片没有这种标准化框架。不同的光照条件（自然光/冷白灯/暖黄灯）、拍摄角度、相机参数、缩放比例和背景使同一类病变（如心肌梗死瘢痕）在照片中看起来可能完全不同。即使是全切片扫描（WSI）数字病理，法医病理切片的染色质量和切片厚度变异也远超临床病理——因为法医解剖中对取材和固定的时间控制远不如临床手术切除标本严格。
样本量与标注瓶颈
ImageNet有1400万张标注图片，某大型医院PACS可能有数百万张标准体位影像。法医病理中每种特定病变（如心肌炎、羊水栓塞、过敏性休克的内脏改变）可能只有数十到数百张高质量标注图像——这个量级对于训练深度卷积网络来说远远不够。标注的极端专家依赖使问题雪上加霜：一张法医H&E染色切片上心肌炎的诊断需要资深法医病理学家，这类专家在全中国可能不足千人，他们的时间是最稀缺的标注资源。相比之下，皮肤科图像标注可由经过培训的住院医师完成，经济成本相差百倍。
可行的突破口
迁移学习与少样本学习
与其追求从零训练法医病理专用网络，更现实的路径是迁移学习策略。利用在ImageNet或医学影像数据集上预训练的ResNet/EfficientNet作为特征提取骨干网络，在有限标注的法医病理图像上进行微调。在数百张标注图像量级下，迁移学习已能获得可接受的结果——例如在心肌梗死与正常心肌的分类任务中，预训练ResNet-50微调后的AUC可达0.85-0.90。更前沿的少样本学习策略（原型网络、匹配网络）有望将所需标注样本量进一步降至数十张级别。
弱监督与半监督路径
弱监督学习为法医病理AI开辟了另一条路——用粗略的、廉价的标签（如整个切片是否包含某类病变）替代昂贵的像素级标注。多实例学习（MIL）将全切片图像视为一个由数千个图像块组成的包，仅需包级别的标签就可训练模型识别关键病变区域。这种方法将标注成本降低了2-3个数量级，特别适合法医病理中稀缺专家资源的现实。
人机协作的半自动工作流
当前最可行的部署场景是辅助筛查而非自动诊断。AI模型先对全切片图像进行预扫描，标记可疑区域供法医病理学家重点查看——这种半自动工作流在人机协作框架下已有初步可行性验证，且对模型性能的要求（高灵敏度、允许适当假阳性）远低于全自动诊断（需同时保证高灵敏度和高特异度）。在法医病理工作量日益增长而专家数量严重不足的背景下，这种人机协作模式有望在5-10年内进入实际部署阶段。