病理切片告别切豆腐，AI用连续函数找癌细胞

想象你面前摊开一张比城市地图还大的病理切片——数亿像素里，藏着只有“几个街区”大的癌细胞。过去AI只能像切豆腐一样把它剁成上万块小图，拼起来时早已把组织的连续结构切碎；换个放大倍数，模型更是直接懵圈，给出的结果前后矛盾。2026年3月，名古屋大学、慕尼黑工业大学的团队联手，用一个连续函数解决了这个困扰病理AI多年的难题。他们是怎么让AI“看懂”整张切片的？

从切豆腐到画地图：INR重构病理分析逻辑

你可以把传统病理AI的工作模式想象成一群盲人摸象——每个人只摸一小块，最后拼出来的大象要么缺鼻子少腿，要么各部分衔接不上。而这次的WSI-INR方法，直接让AI“看见”了完整的大象。

核心是隐式神经表示（INR）——这是一种用神经网络学习连续函数的技术。传统图像是离散的像素集合，就像用无数小瓷砖拼出来的画；INR则是画的“设计图纸”，输入任意坐标(x,y)，它就能告诉你这个点的颜色、甚至是不是癌细胞。对于病理切片这种超大规模图像来说，这意味着AI终于不用再切分图像，而是直接学习一个覆盖整张切片的连续映射：从空间坐标，到组织的语义特征。

这个思路的妙处在于，它天然保留了组织的空间连续性。传统方法里被切碎的血管、细胞连接，在INR的函数里是平滑连续的曲线和区域，不会再出现“切一刀就丢了上下文”的问题。

跨分辨率的秘密：多分辨率哈希网格编码

但光有连续函数还不够——病理医生看片时，总需要在低倍镜扫全景、高倍镜看细节之间切换，传统AI一换分辨率就“失忆”，WSI-INR怎么解决这个问题？

答案是多分辨率哈希网格编码，这项原本用于3D重建的技术，被巧妙嫁接到了病理分析上。你可以把它想象成用多层渔网去捞同一片水域：最粗的渔网（低分辨率网格）捞的是整片海域的地形，比如哪里是大陆架哪里是海沟；最细的渔网（高分辨率网格）则能捞到单个鱼虾的细节。

具体来说，模型用21层不同精细度的网格覆盖整张切片，每层网格的顶点都对应一个可学习的特征向量，存在哈希表里。当输入一个坐标点时，模型会在每一层网格里找到它周围的顶点，通过插值得到该层的特征，最后把所有层的特征拼起来——这就像同时用粗渔网看全局、细渔网看细节。

更聪明的是，哈希表会自动“分配资源”：如果某个区域是结构简单的正常组织，精细网格的特征会被压缩；如果是病变边缘这种复杂区域，模型会把更多计算资源倾斜过来。这完美适配了病理切片“90%是背景，10%是关键病变”的特点。

最关键的是，无论你输入的是高倍镜还是低倍镜下的同一个物理位置，它都会被同一个哈希网格系统处理。低倍镜下，精细网格的细节会被“模糊”，但粗网格的全局结构始终一致——就像你站远看画，虽然看不清笔触，但构图不会变。这让AI真正学会了“理解组织本身”，而不是“记住某个分辨率下的像素”。

两阶段训练：让AI先学懂再判断

为了避免AI走捷径，研究团队设计了一套“先学懂，再判断”的两阶段训练策略。

第一阶段，模型只做一件事：“画地图”。它要根据坐标点，精准重建出病理切片的原始图像。这就像让AI先把整张切片的每一个细节都摸透，从细胞的纹理到组织的排布，建立起对组织结构的精确理解。如果跳过这一步直接让AI找癌细胞，它很可能会偷懒——比如只记住“病变区域颜色更深”这种表面特征，而完全不懂背后的组织逻辑，换个染色风格就彻底失效。

第二阶段，模型会“失忆”重建能力，只专注于“找地标”。此时，第一阶段训练好的哈希编码器和解码器会被冻结，只训练分割头——也就是让AI在已经学懂的“地图”上，标记出癌细胞的位置。这种方式保证了AI是基于对组织的理解来判断病变，而不是靠表面特征蒙混过关。

在CAMELYON16乳腺癌淋巴结转移数据集的测试中，这种策略的效果一目了然：传统U-Net在分辨率降到1/4时，Dice分数暴跌54%，分割结果碎成渣；而WSI-INR在分辨率特异优化下，Dice分数反而提升了26%——换个分辨率，AI反而看得更准了。

当然，这项技术还没到完美的地步：它对只有几个细胞大的微转移病灶识别还不够精准，跨医院、跨扫描仪的泛化能力也需要更多验证，每张切片6分钟的推理时间，也还满足不了实时诊断的需求。

但它的意义，远不止是提升了病理分割的准确率。它第一次把“连续函数”的思路引入了高度异质的病理图像分析，打破了长期以来“切分图像”的思维定式。从离散的像素，到连续的函数——这不仅是技术的升级，更是AI理解医学影像的底层逻辑的转变。

连续建模，才是医学影像的未来。