AI读肺癌病理片：准确率94.17%，还省了四分之三算力

新AI模型给肺癌病理分型：更准、更快、更省算力

一项算法验证研究发布新模型（PCMamba），在公开的肺癌病理数据集（LungHist700）上给腺癌与鳞癌分型：准确率 94.17%、F1 分数 94.42%、AUC（曲线下面积）99.28%，优于 11 种对比模型，同时计算成本降低约 75%——相当于用更少的算力，换来更高的准确度。

AI是病理医生的”第二双眼睛”，不是”取代者”

如果你听说”AI 诊断肺癌比医生还准”，请保持平常心：这篇研究验证的是辅助分型工具，真实场景里 AI 的价值是帮病理医生快速初筛、缓解读片人力短缺、减少漏看——最终诊断与治疗决策仍由病理医生把关。AI 越强，越该把人解放出来做更复杂的判断，而不是渲染”医生要失业”。

给病理片”分型”，AI 成绩亮眼

肺癌确诊后，病理医生要在显微镜下区分腺癌、鳞癌——这决定用什么药。费时、费眼、还依赖经验。一篇发表于《转化肿瘤学》的算法研究给出新选项：一个名为 PCMamba 的模型在肺癌病理数据集上拿到 94.17% 的准确率，还只花了传统模型约四分之一的算力。

担心的方向，可能反了

每当 AI 在医疗上刷新成绩，”取代医生”的标题就满天飞。但现实恰恰相反：病理医生严重短缺、读片压力大，AI 做的是”筛一遍、标出来”，把医生从繁重初筛里解放出来——它更像是给医生配的”第二双眼睛”，而不是来”裁员”的；对病理医生短缺的基层来说，这类进展尤其值得关注。

94.17% 的背后

两种结构”拼”成一个轻量模型：研究者设计了 PCMamba：把部分卷积（PConv，只处理部分通道的空间卷积，省算力）和状态空间模型（SSM，处理长序列依赖的架构）结合成双分支结构——在保留精度的同时大幅压缩计算量，这是它”省钱”的关键。

全面优于 11 种基线：在公开的肺癌组织病理基准数据集 LungHist700 上，PCMamba 分型准确率 94.17%、F1 分数 94.42%、AUC 99.28%，与 11 种代表性模型对比均领先；腺癌与鳞癌两个亚型的区分，正是临床用药决策最需要的那个分类。

省下约 75%：由于只对四分之一通道做空间卷积、且状态空间模型呈线性复杂度，模型的浮点运算量大幅下降——同等任务，计算成本约降低 75%。对预算有限的基层病理科，这可能是比”精度再高 0.5%”更重要的指标。

94.17%、99.28%、省75%

准确率 94.17%、AUC 99.28%、对比 11 个基线全胜、计算成本降 75%——”更准”和”更省”同时发生，正是医疗 AI 落地的理想形态。

三个记住，一个边界

1 AI 病理分型已到”可用”水平：高准确率+低算力，让它离临床辅助越来越近。

2 它的角色是辅助初筛与分型：缓解读片人力短缺、减少漏看，而非替代医生诊断。

3 对患者的意义：技术越成熟，确诊与分型可能越快越准，治疗决策仍由医生与患者共同完成。

算法验证，别当成”临床上线”

① 研究性质：这是公开数据集上的算法验证（回顾性），尚未经过真实临床环境的前瞻验证。
② 数据局限：LungHist700 为特定病理图像基准，不同切片染色、扫描仪下的泛化能力待测。
③ 未覆盖全流程：研究聚焦”腺癌/鳞癌分型”单一任务，不涉及分期、突变预测等更复杂判断。
④ 落地路径：真正进入病理工作流仍需软件集成、监管审批与临床评价，距离”今天就能用”尚远。

参考资料：Wang X, Chen B, Chen Y, et al. PCMamba: Integrating partial convolution and state space models for lung cancer histopathological image classification. Translational Oncology (2026). https://doi.org/10.1016/j.tranon.2026.102982