布萊根婦女醫院研發 AI 模型：把術中粗糙冷凍切片秒變「金標準」影像

手術檯上，外科醫生面對腫瘤最糾結的時刻，往往不是怎麼下刀，而是切到哪裡該停手。

要想知道腫瘤的邊界在哪、是良性還是惡性，只能趁病人還在全麻狀態時，切下一小塊組織緊急送去病理科。

但這事向來是個兩難困境。病理分析的「金標準」是福爾馬林固定和石蠟包埋（FFPE），影像清晰、細節完整，但整個制樣過程要耗費 12 到 48 小時，躺在手術檯上的病人根本等不起。

醫院只能退而求其次，採用幾分鐘就能出結果的「術中快速冷凍切片」。速度是快了，代價卻很大：快速冷凍極易破壞脆弱的組織結構，導致細胞變形併產生大量偽影，即使是經驗豐富的病理醫生，看這種切片也容易走眼。

讓粗糙的冷凍影像秒變「金標準」

布萊根婦女醫院計算病理學分部的 Faisal Mahmood 團隊與土耳其博阿齊奇大學合作，在《Nature Biomedical Engineering》發表了一項深度學習研究，試圖徹底打破這個兩難局面。

研究團隊訓練了一個深度學習轉換模型，能直接將幾分鐘內做出來的粗糙冷凍切片影像，數字渲染成接近 FFPE 級別的清晰影像。

用專案負責人 Faisal Mahmood 的話說，他們是用 AI 解決外科手術和病理學交匯處存在多年的老問題。快速冷凍診斷原本需要極其嚴苛的專門培訓，現在 AI 承擔了最麻煩的畫質修復工作。

在實際測試中，這項技術被用於鑑別神經膠質瘤和非小細胞肺癌等複雜的癌症亞型。團隊還拉來多位病理專科醫生進行了雙盲閱片測試，結果顯示，經過 AI 增強後的影像，不僅畫質顯著提升，醫生的診斷準確率也明顯高於直接看傳統冷凍切片。

為了檢驗演算法的泛化能力，團隊還特意引入了來自土耳其的獨立臨床資料集進行測試，模型依然表現穩健。

為什麼重要

這項技術最大的價值，在於它不打算顛覆現有的手術流程，而是做了一個幾乎零門檻的插塞式改進。

醫院不需要採購昂貴的新型制樣硬體，病理科依然做他們的快速冷凍切片，外科醫生依然在手術室等待。AI 只是充當了一箇中間層的「超解析度和去噪翻譯器」，在掃描上傳的那幾秒鐘裡，把殘缺模糊的資訊補齊。

對於患者而言，這意味著醫生在手術檯上能以更高的確定性判斷腫瘤邊界，既減少了因「切不乾淨」導致的復發，也避免了因過度切除損傷重要神經或器官。

對醫療 AI 行業來說，這也提供了一個很聰明的思路：與其直接讓大模型越俎代庖去給疾病下診斷，不如退後一步，幫人類醫生把原本看不清、拿不準的原始材料洗乾淨。把最終的裁決權留給專科醫生，更容易通過監管和臨床倫理的審查。

不過，我們認為這項技術在真正落地時仍需極其謹慎。影像翻譯模型最大的隱患在於「腦補」——AI 在把冷凍偽影修復成完美組織結構時，會不會抹掉某些罕見的病理特徵，甚至生成看似合理但實際不存在的假象？研究團隊自己也承認，必須在更廣泛的真實醫院環境中開展前瞻性臨床試驗，證明它能切實改善手術決策後，才能正式走入臨床。