8张玻片搞定泛癌诊断，AI跳出大数据陷阱

当一位病理学家面对一张陌生的癌症切片，他需要调动数十年的经验积累，才能给出准确判断。而现在，一套AI系统只需要8张标注玻片，就能在23个国际基准测试中击败现有方法，甚至超过11位病理学家的诊断水平。它不需要针对每一种癌症单独训练，不需要数万张标注数据的投喂，拿到切片就能直接给出结果——这不是科幻小说的想象，是香港科技大学、广东省人民医院等团队联合推出的PRET系统，正在重构AI病理诊断的规则。为什么它能跳出传统AI的大数据依赖？

传统AI的死穴：大数据枷锁

你可以把传统AI病理模型想象成一个只会背题的学生——要让它认出前列腺癌，得给它几万张前列腺癌切片当练习题；要让它分辨皮肤癌，又得重新喂几万张皮肤癌切片。全球有近900种肿瘤类型，按这个逻辑，光是收集标注数据就得耗掉几代病理学家的精力。

更糟的是，这些模型还挑环境。换个医院的扫描仪、换一种染色剂，它就可能“认不出”切片。数据标注的成本更是天文数字：一张全切片图像的标注，得专业病理学家花几小时才能完成，还得面临隐私法规的层层限制。当OncoTree已经编目了近900种肿瘤，传统AI的“一个癌症一个模型”思路，从一开始就走进了死胡同。

PRET的破局：从背题到懂逻辑

PRET的核心思路，是把AI从“背题机器”变成“会推理的医生”。它的灵感来自法语里的“prêt-à-porter”——现成成衣，拿到就能穿，不用量身定制。

你可以把病理切片想象成一幅巨幅拼图，传统AI要把整幅图都看熟才能认出图案，而PRET只需要看几块关键拼图碎片，就能推理出整幅画的内容。它会把切片拆成一个个1毫米见方的小图像块（patch tiles），提取每个块里的细胞形态、纹理这些局部特征，再通过对比学习把这些特征变成通用的“病理语言”。

不用训练，不用微调，给它8张标注好的目标癌症切片当参考，它就能用这套“病理语言”去识别未知切片。在23个国际基准测试中，它在20项任务上超过现有方法，15个基准的AUC（诊断准确率指标）超过97%，最高比现有方法提升了36.76%。

更关键的是，它不挑设备。不管是哪家医院的扫描仪、哪种染色方法，它都能稳定输出结果——这意味着它能直接落地到资源匮乏的地区，不用重新适配数据。

不是替代，是补位的公平性

当然，PRET也不是完美的。它对参考切片的选择很敏感，要是选的参考切片不够典型，诊断准确率就会打折扣；它目前还只能识别已经有参考样本的癌症，面对完全未知的罕见肿瘤，还得依赖病理学家的经验。

但它的价值，早已超越了技术本身。全球每年有1930万新发癌症病例，其中大部分在中低收入国家，这些地区的病理学家缺口可能达到90%。传统AI模型因为数据和成本门槛，根本无法落地。而PRET只需要普通的数字病理设备，8张标注切片，就能快速部署——它不是要替代病理学家，而是要把诊断能力送到没有病理学家的地方。

这也是AI医疗最该走的方向：不是追求在顶尖医院超越专家，而是用技术填平资源的鸿沟，让偏远地区的患者也能得到和大城市一样准确的诊断。

当我们还在惊叹AI能超越专家时，PRET已经把目光投向了更本质的问题：如何让AI的能力变得可及。它没有追求更大的模型、更多的数据，而是反其道而行之，用更少的资源做更多的事。

医疗的终极目标从来不是“最先进”，而是“最公平”。少样本，才是AI医疗的破局点。未来的AI病理诊断，不该是少数精英医院的奢侈品，而该是每个乡村诊所都能随手拿起的工具——就像PRET这个名字的本意一样，现成可用，触手可及。