术中冰冻切片诊断为何又急又难？医学影像AI基础模型CRISP及其前瞻性验证

研究背景：术中病理诊断为何又急又难？

在肿瘤切除手术中，外科医生常常要等一个关键答案：切下来的组织，到底是良性还是恶性？切缘干不干净？淋巴结有没有转移？这个答案，来自术中冰冻切片病理诊断——把切除组织立即低温快速冷冻、切片、染色，再由病理医生在显微镜下快速判读，整个过程必须在手术进行中的数十分钟内完成。

这是现代精准外科的基石，却也是最难的场景之一。冰冻切片制备仓促，常出现冰晶伪影、组织皱褶、折叠撕裂、染色不均，图像质量远不如常规的石蜡切片（福尔马林固定石蜡包埋，FFPE）。

问题在于，近年来快速发展的病理AI诊断基础模型，几乎都训练在 FFPE 切片上。FFPE 切片清晰稳定、适合最终诊断，但制备需要一天甚至更久，根本无法用于术中。直接把这类模型搬到手术室，会因图像分布差异而水土不服。术中病理AI缺的不是算法，而是「用对数据」的模型。

创新点：CRISP如何专为手术场景而生？

2026 年 9 月 10 日，中山大学肿瘤防治中心蔡木炎团队联合香港科技大学陈浩团队，在《Nature Medicine》发表研究，提出面向临床的术中病理基础模型 CRISP（面向病理的临床导向稳健术中支持）。

CRISP 的核心思路很朴素却很关键：只用冰冻切片来训练冰冻切片要用的模型。它打破了病理AI「一模型打天下」的惯例，专门面向手术室的真实需求设计，体现在三点：

• 数据完全对位：基于来自 10 家医疗中心、25 个解剖部位的 103,797 张冰冻切片全切片图像（WSI） 构建，覆盖 51,186 名患者，是迄今最大的临床级冰冻切片数据集。
• 任务全面覆盖：在近 100 项回顾性诊断任务上评估，涵盖良恶性鉴别、关键术中决策、泛癌检测等六大临床应用。
• 人机协作定位：CRISP 被明确定位为病理医生监督下的临床决策支持与分诊工具，而非自主诊断系统——它负责「初筛」和「引导注意力」，最终诊断责任仍归医生。

技术原理：自监督预训练 + LoRA轻量适配

CRISP 的技术路线可以概括为「先学通用视觉表示，再轻量适配具体任务」。

在预训练阶段，团队把切片切分成 5,000 万个图像块（patch），采用自监督的师生（Teacher–Student）范式，让模型从 81,667 张未标注冰冻切片中同时学习全局视图与局部视图的形态特征。这种医学影像AI常用的自监督策略，让模型无需海量人工标注就能学到跨器官、跨疾病的通用病理表示。

到了下游任务，CRISP 不需要重新训练大模型，而是通过低秩自适应（LoRA） 轻量微调：冻结预训练好的编码器，只训练少量可学习的低秩参数，即可把通用表示快速适配到良恶性鉴别、切缘评估等具体任务上。这样既大幅降低了部署成本，也保留了基础模型的泛化能力。

数据说话：92.6%病例直接支撑手术决策

CRISP 的验证分两层，从回顾到前瞻逐步加码：

• 回顾性验证：在超 15,000 张术中切片、近 100 项任务上，CRISP 在 6 家机构、14 种肿瘤类型、24 个解剖部位——包括此前未见部位和罕见癌症——表现出稳健的泛化能力，整体优于 Virchow、UNI、CONCH、CHIEF 等现有病理基础模型。
• 前瞻性验证：在 3,064 例连续患者（甲状腺、乳腺、中枢神经等，覆盖 3 个中心）的真实手术流程中，CRISP 在 92.6% 的病例中直接为手术决策提供了依据。

人机协作的收益同样可量化：

其中，模型辅助分诊在把诊断工作量削减约 35% 的同时，仍保留了 79.0% 的阳性病例供医生复核，并避免了 105 项不必要的辅助检查——这意味着医生可以把精力集中在真正可疑的切片上。

应用前景与局限

CRISP 的最大价值，在于它第一次把「术中病理AI」从论文里的基准测试推进到了真实手术工作流的前瞻性验证，并给出了可量化的临床收益：更快、更省、更聚焦。对病理科人力紧张、冰冻切片量大的医院，这类分诊工具有望显著缓解术中诊断压力。

但局限也要正视。这是一项前瞻性观察研究而非干预性试验，尚未证明能直接改善患者硬终点（如降低再手术率、缩短麻醉时间）；模型对罕见肿瘤、细微病灶仍有难度；落地还需数字化切片设备和算力基础设施，而这些并非每家手术室都具备。作者明确，CRISP 应始终作为病理医生监督下的决策支持工具，不替代临床责任。

结论

术中病理的难，难在「急」和「糙」——时间极短、切片质量参差，而这恰恰是通用病理AI最容易失分的地方。CRISP 用「冰冻切片专属预训练 + LoRA 轻量适配」证明：医学影像AI要真正走进手术室，关键不在于模型更大，而在于数据更对、定位更准。它在 3,064 例前瞻队列中 92.6% 支撑手术决策的表现，为计算病理学从「发表」走向「临床转化」提供了一份扎实的样本。

论文原文信息地址：https://www.simomia.com/blog/2026-09-23-crisp-intraoperative-pathology/

参考文献

1. Zhao Z, Zhou F, Li R, et al. A clinically-oriented foundation model for intraoperative pathology. Nat Med. 2026. DOI: 10.1038/s41591-026-04703-0
2. Wang X, Zhao J, Marostica E, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature. 2024;634:970-978. DOI: 10.1038/s41586-024-07894-z
3. Vorontsov E, Bozkurt A, Casson A, et al. A foundation model for clinical-grade computational pathology and rare cancers detection. Nat Med. 2024;30:2924-2935. DOI: 10.1038/s41591-024-03141-0

相关问题 FAQ

术中冰冻切片和常规病理切片（FFPE）有什么区别？

术中冰冻切片是把切除组织在低温下快速冷冻、切片、染色，整个过程只需数十分钟，但图像常出现冰晶伪影、皱褶、染色不均；常规 FFPE 切片用福尔马林固定、石蜡包埋，图像清晰稳定、适合最终诊断，但制备需要一天甚至更久。两者图像分布差异很大，这正是一般病理AI难以直接用于术中的原因。

CRISP这类术中病理AI会取代病理医生吗？

不会。CRISP 被明确定位为病理医生监督下的临床决策支持与分诊工具，负责初筛和引导医生关注可疑区域，最终诊断责任仍由病理医生承担。研究也强调其角色是辅助而非自主诊断。

病理AI诊断要真正落地手术室，还缺什么？

研究本身是前瞻性观察研究而非干预性试验，尚未证明能改善患者硬终点；模型对罕见肿瘤和细微病灶仍有局限；落地还需数字化切片设备和算力基础设施，且需在更多地区、扫描仪和工作流程中验证可迁移性，作者也呼吁进行前瞻性临床验证和监管审批。