От микроскопа до пикселей: новая эра цифровой патологии

Основные тезисы:

• • • • Цифровая патология становится новым стандартом в Азиатско-Тихоокеанском регионе, заменяя легкие микроскопы цифровыми слайдами с высоким разрешением для оптимизации рабочих процессов и улучшения диагностики.
      • Помимо собственно цифровизации, полная цифровизация меняет весь путь диагностики, интегрируя автоматизацию, ИИ и возможность подключения данных для получения более быстрых и точных результатов.
      • Анализ изображений на основе ИИ улучшает обнаружение, количественную оценку и классификацию, улучшая воспроизводимость, в то же время позволяя патологам сосредоточиться на сложных случаях.
      • Открытые, взаимодействующие экосистемы позволяют интегрировать лучшие в своем классе инструменты на основе ИИ сторонних производителей, обеспечивая гибкость, инновации и долгосрочную адаптацию.
      • Раннее внедрение улучшает методы лечения рака, позволяя раньше обнаружить заболевание, сократить время оборота и расширить доступ к специалистам – даже в отдаленных районах.

В Азиатско-Тихоокеанском регионе патологические лаборатории претерпевают глубокие преобразования. Переход от традиционной световой микроскопии к цифровой патологии больше не является новой тенденцией — он быстро становится новым стандартом. Проще говоря, цифровая патология — это преобразование стеклянных предметных стекол, традиционно просматриваемых под микроскопами, в цифровые изображения высокого разрешения, которые могут быть получены патологами на компьютерах. Такая эволюция — это не просто вопрос внедрения технологий; это изменение рабочих процессов диагностики и решение некоторых из наиболее неотложных проблем, с которыми сегодня сталкиваются системы здравоохранения. Цифровая патология – это не просто современная альтернатива стеклянным слайдам. Она представляет собой фундаментальный сдвиг в том, как мы рассматриваем, интерпретируем и управляем диагностической информацией. Вопрос уже не в том, станет ли цифровая патология общепринятой, а в том, когда и насколько эффективно институты смогут осуществлять этот переход.

Эволюция патологоанатомических лабораторий: от оцифровки до цифровизации

Путь от светового микроскопа к цифровой модели работы можно разделить на два этапа: оцифровка и цифровизация. Оцифровка началась со сканирования предметных стекол стеклянного микроскопа для создания целых изображений предметных стекол (WSI) для архивирования или совместного использования. Хотя это решило многие логистические проблемы, такие как физическое хранение и удаленные консультации, оно не трансформировало сам патологический рабочий процесс [1]. Цифровизация, с другой стороны, идет намного дальше. Это включает в себя переосмысление и реконструкцию всего пути диагностики, при котором цифровые изображения становятся центральным элементом каждого шага процесса — от подготовки и анализа образцов до сотрудничества, отчетности и интеграции с другими клиническими системами [1]. Преимущества цифровой патологии значительны, и выходят за рамки простой оцифровки, преобразуя диагностические рабочие процессы и уход за пациентами:

• • • Сотрудничество без границ: удаленный одновременный доступ к слайдам позволяет в реальном времени проводить консультации, получать быстрое второе заключение и быстрее предоставлять консультации специалистам в районах с недостаточным уровнем обслуживания.
    • Контроль затрат и оптимизация ресурсов: устранение транспортировки предметных стекол, курьеров и крупных хранилищ сокращает расходы, позволяя крупным сетям ежегодно экономить сотни тысяч.
    • Повышение эффективности рабочего процесса и сокращение времени выполнения: устранение узких мест при ручной обработке и обеспечение круглосуточного доступа сокращают время постановки диагноза на 42% и позволяют просматривать более чем в 15 раз больше стекол в час [3].
    • Прецизионность и воспроизводимость в диагностике. Интегрированные инструменты анализа изображений повышают точность, градацию степени злокачественности и количественную оценку биомаркеров, что играет важную роль в принятии согласованных персонализированных решений о лечении.

Цифровая патология в совокупности способствует формированию связанной диагностической экосистемы, в которой сотрудничество, экономическая эффективность, операционная эффективность и передовая аналитика работают вместе, чтобы улучшить результаты для пациентов и систем здравоохранения. Несмотря на эти убедительные преимущества, широкое внедрение цифровой патологии остается неравномерным. Многие учреждения сталкиваются с трудностями, связанными с первоначальными инвестициями, необходимостью обучения персонала и реорганизации рабочих процессов, а также с жесткими требованиями к конфиденциальности данных или локализации. Однако эти проблемы все чаще решаются с помощью четких цифровых стратегий, активного участия заинтересованных сторон и акцента на долгосрочную клиническую и операционную ценность вместо краткосрочных сбоев. Именно в этом контексте необходимо понимать ключевые движущие силы рынка и барьеры, формирующие эволюцию цифровой патологии.

Что движет этими переменами: проблемы и технологический прогресс

1. Проблемы, ускоряющие внедрение цифровой патологии

Несколько структурных и клинических факторов подталкивают лаборатории к переосмыслению традиционных методов работы и переходу к цифровым решениям:

1. 1. 1. Растущий спрос на диагностику — Старение населения, растущее бремя онкологических заболеваний в сочетании с акцентом на раннюю диагностику создают беспрецедентную нагрузку на службы диагностики [5].
      2. Необходимость во внешних консультациях и специализированных знаниях — Все более сложные случаи требуют участия патологов-специалистов разного профиля. В результате сформировалась сетевая модель управления («центр и периферия»), где высококвалифицированные специалисты центрального звена проводят экспертизу случаев, направленных из различных медицинских учреждений [6].
      3. Ограничения рабочей силы — нехватка квалифицированных патологов, особенно в сельских или недостаточно обслуживаемых районах, требует масштабируемых, децентрализованных решений. Анализ изображений с помощью ИИ помогает восполнить этот пробел, выявляя потенциальные отклонения от нормы, которые затем направляются на окончательное подтверждение врачу-патоморфологу [7].
      4. Узкие места в лабораторном рабочем процессе — Увеличение объема образцов, фрагментация процессов и зависимость от ручной обработки предметных стекол замедляют время обработки и повышают риск ошибок [8].
      5. Нагрузка на патоморфологов и истощение персонала — административное бремя и растущая нагрузка создают потребность в инструментах рабочего процесса, поддерживающих сортировку, определение приоритетов и быстрое рассмотрение [8].
      6. Затраты и операционная неэффективность — физическое хранение, пересылка предметных стекол и дублирование процессов создают лишние расходы и вносят неопределенность в отчетность.
      7. Сложность ИТ: Интеграция данных патоморфологии с госпитальными ЭМК (электронными медицинскими картами) и другими диагностическими системами остается серьезным препятствием во многих учреждениях.

2. Технологические достижения, способствующие цифровизации

В то же время волна инноваций позволяет лабораториям преодолевать эти трудности и в полной мере использовать цифровые рабочие процессы:

1. 1. 1. Уровень технологической зрелости — Высокоскоростные сканеры для полного слайда, облачное хранилище и безопасная сетевая инфраструктура теперь делают крупномасштабную оцифровку выполнимой для рутинного использования.
      2. Данные и оцифровка — Переход от аналоговой микроскопии к цифровым изображениям открывает двери для вычислительной патологии и крупномасштабной аналитики.
      3. Современные алгоритмы анализа изображений — Инструменты ИИ могут улучшить воспроизводимость и достоверность патологических оценок за счет стандартизации интерпретации тонких, но клинически важных характеристик, таких как экспрессия HER2-Low. Другие приложения могут идти еще дальше, выявляя едва уловимые признаки, недоступные человеческому глазу — например, определяя статус микросателлитной нестабильности (MSI) непосредственно по препаратам, окрашенным гематоксилином и эозином.
      4. ИИ как контроль качества — Помимо первичной диагностики, ИИ может выступать в качестве второго эксперта, отмечая потенциальные расхождения или упущенные результаты для повышения согласованности.
      5. Сквозная интеграция данных — Сопоставление патоморфологических изображений с данными других видов диагностики (радиологии, геномики) позволяет сформировать более целостный взгляд на состояние пациента.
      6. Эффективность и масштабируемость — Цифровые рабочие процессы поддерживают централизованную проверку на нескольких узлах, позволяют быстро получать заключение и сокращают время выполнения.
      7. Инновации, обусловленные пандемией — COVID-19 подчеркнул значение дистанционной патологии и телепатологии для обеспечения непрерывности оказания медицинской помощи.

Новые тенденции и возможности цифровой патологии

Прогресс в области автоматизации, искусственного интеллекта и открытых инноваций не только рационализирует работу лабораторий, но также позволяет получать более глубокое клиническое представление и развивать сотрудничество. Эти достижения открывают новые пути для улучшения выявления заболеваний, планирования лечения и оказания медицинской помощи, позиционируя цифровую патологию как центральный фактор диагностической трансформации.

1. Сквозная автоматизация и интеграция рабочих процессов

Одним из наиболее значительных сдвигов в настоящее время является движение к полной автоматизации. Лаборатории всё чаще стремятся автоматизировать не только визуализацию, но и весь патоморфологический процесс — от отслеживания образцов и управления штрих-кодами до распределения случаев, сканирования микропрепаратов, управления изображениями и формирования цифровых отчетов. При интеграции с лабораторной информационной системой (ЛИС) и системами электронных медицинских карт (ЭМК) цифровые патоморфологические платформы могут [6]:

• • • Повысьте прослеживаемость каждого образца от момента сбора до составления отчета.
    • Уменьшите количество ошибок, связанных с введенными вручную данными или неправильной маркировкой слайдов.
    • Поддержка удаленного сотрудничества и получения заключения без задержек.
    • Повысьте уверенность в диагностике с помощью улучшенной четкости изображений, интерпретации с помощью ИИ и совместной работы в режиме реального времени.
    • Обеспечьте круглосуточную обработку благодаря автоматизации, позволяя подготавливать, сканировать и ставить в очередь на проверку больше слайдов, что помогает лабораториям быстрее получать результаты, даже превышая стандартные рабочие часы.

Такая интеграция особенно важна в средах, которые управляют большими объемами обращений или испытывают нехватку персонала. Автоматизация позволяет лабораториям масштабировать операции, сохраняя при этом точность и производительность, позволяя пациентам быстрее получать результаты, которые могут изменить жизнь.

2. Алгоритмы на основе ИИ

Поскольку цифровизация генерирует огромные объемы высококачественных изображений, патологи теперь имеют возможность тесно сотрудничать с учеными, инженерами и специалистами в области ИИ для извлечения аналитических данных, которые выходят далеко за пределы обычной визуальной оценки. В их основе лежат алгоритмы на основе ИИ — это компьютерные модели, часто основанные на глубоком обучении и других передовых техниках машинного обучения, которые обучены распознавать конкретные особенности патологических изображений. Путем изучения больших, опытно аннотированных наборов данных, эти алгоритмы могут обнаруживать, сегментировать, количественно определять и классифицировать микроскопические структуры с высокой степенью согласованности. Они могут быть разработаны для широкого спектра задач [9, 10, 11, 12]:

• • • Алгоритмы обнаружения идентифицируют наличие или отсутствие признаков заболевания, таких как злокачественные клетки или метастазы.
    • Алгоритмы сегментации очерчивают области, представляющие интерес, например границы опухоли или стромальную ткань.
    • Алгоритмы количественной оценки измеряют уровни экспрессии биомаркеров в иммуногистохимических (ИГХ) окрашиваниях, таких как HER2, PD-L1, ER, PR или Ki-67.
    • Алгоритмы классификации выделяют диагностические категории на основе морфологии или наборов биомаркеров, например, дифференциация между подтипами карциномы.

Эти инструменты могут работать двумя взаимодополняющими способами. В качестве вспомогательных средств первого ряда они могут предварительно просматривать слайды, помечая потенциально релевантные случаи для рассмотрения, оптимизируя приоритизацию рабочих нагрузок в лабораториях большого объема. В качестве рецензентов второй линии они могут выступать в качестве меры контроля качества, обеспечивая последовательное объективное сравнение с человеческой интерпретацией и помогая идентифицировать тонкие особенности, которые могли быть упущены при рецензировании вручную. Например, некоторые модели ИИ способны надежно выявлять низкую экспрессию HER2 (HER2-low) — маркер, который напрямую влияет на выбор терапии, но зачастую трудно поддается однозначной визуальной оценке под микроскопом [13]. Алгоритмы считаются сопутствующими диагностическими инструментами, которые позволяют выявлять пациентов, подходящих для таргетной терапии. Спектр применения быстро расширяется. Некоторые алгоритмы направлены на конкретные типы опухолей, такие как рак предстательной железы, рак молочной железы или колоректальный рак, в то время как другие предназначены для оценки прогностических или предиктивных биомаркеров. Новые модели могут даже интегрировать гистопатологические признаки с геномными, радиологическими и клиническими данными для прогнозирования прогрессирования заболевания, оценки риска рецидива или прогнозирования вероятного ответа пациента на конкретную терапию [9, 10]. Наибольшее значение ИИ заключается в создании симбиотического диагностического рабочего процесса, в котором повторяющиеся, трудоемкие по времени задачи, такие как подсчет митотических фигур, сортировка слайдов или сложные количественные измерения, делегируются алгоритмам. Это позволяет патоморфологам уделять больше времени тонкой интерпретации и междисциплинарным обсуждениям случаев. Результатом является не только более быстрое выполнение анализа, но и более воспроизводимые и детальные диагностические выводы, которые помогают повысить перспективность прецизионной медицины, сохраняя центральную роль патоморфолога в лечении пациентов [11].

3. Открытые экосистемы и сотрудничество с поставщиками алгоритмов ИИ

Третьим ключевым фактором, формирующим эту отрасль, является развитие открытых экосистем цифровой патоморфологии. Современные цифровые платформы патологии все чаще разрабатываются для интеграции алгоритмов ИИ сторонних производителей от широкого круга партнеров, создавая модульную, совместимую и благоприятную для инноваций среду. Вместо того чтобы ограничивать пользователей единым набором собственных инструментов, эти платформы позволяют патологам развертывать лучшие в своем классе модули ИИ от нескольких поставщиков непосредственно в рамках единого интерфейса просмотра, снижая нагрузку на обучение и поддерживая прозрачное внедрение рабочих процессов. Многие из этих алгоритмов предоставляют целевую информацию, такую как определение степени злокачественности опухоли, обнаружение метастазов или количественная оценка биомаркеров, которая дополняет экспертные знания патолога, а не заменяет их. Такой подход обеспечивает более быструю, последовательную и клинически значимую отчетность. Эта открытая модель привлекла значительные глобальные инвестиции, при этом с 2014 года на цифровые решения в области патологических исследований на основе ИИ было направлено более 1,7 миллиарда долларов США, включая резкий рост на 42% только в 2021 году [14]. Несмотря на быстрый темп инноваций, развертывание в рутинные клинические рабочие процессы остается сложной задачей, ему препятствуют нормативные требования и необходимость в решениях, независимых от оборудования и адаптируемых к местным ИТ-ограничениям. Примечательно, что такие компании, как Qritive в Азиатско-Тихоокеанском регионе, демонстрируют, как стартапы могут принести пользу этому пространству, предлагая аппаратно-независимые, локальные модули ИИ, которые решают региональные приоритеты, такие как рак предстательной железы, толстой кишки и печени, в то же время обеспечивая суверенитет данных. В конечном итоге, это сочетание сквозной автоматизации патологических лабораторий, алгоритмов анализа на основе ИИ и открытых экосистем на основе ИИ способствует созданию связанной и адаптивной сети, которая преобразует статические диагностические данные в практически значимые аналитические данные. Такая связь между партнерами, типами данных и географическим положением дает поставщикам медицинских услуг возможность повысить точность диагностики, упростить потоки операций и гарантировать своевременное оказание необходимой медицинской помощи пациенту.

Приоритетные направления по мере развития цифровой патоморфологии

По мере того, как цифровая патоморфология переходит от видения к реальности, выбор правильного партнера становится решающим шагом в реализации всего своего потенциала. При оценке поставщика цифровых патологических исследований лаборатории должны искать партнера, который предлагает комплексную поддержку — от высококачественного сканирования слайдов до анализа изображений и интеграции данных на основе ИИ — обеспечивая бесперебойный рабочий процесс, а не коллекцию изолированных инструментов. Не менее важно стремление поставщика к открытости: возможность интеграции сторонних алгоритмов в открытую экосистему способствует инновациям и перспективам платформы. Параллельно, выбранный поставщик — или поставщик алгоритмов ИИ — должен продемонстрировать проверенный опыт в области обслуживания и поддержки. Помимо простой поставки технологий, они должны быть в состоянии оперативно предоставлять техническую помощь, проводить непрерывное обучение и упреждающее обслуживание для обеспечения бесперебойной работы и оптимальной работы системы. Наконец, для защиты конфиденциальных данных пациентов при одновременном обеспечении соответствия нормативам в разных регионах крайне важна серьезная экспертиза в области перехода на нормативные стандарты, конфиденциальности данных и гарантий кибербезопасности. Эти соображения обеспечивают, что цифровая трансформация обеспечивает не только скорость и эффективность, но и устойчивость и долгосрочную выгоду.

Новая эра цифровой патоморфологии

Переход от световых микроскопов к полной цифровизации преобразует патологию из нишевой инновации в клиническую необходимость. По всему Азиатско-Тихоокеанскому региону, особенно в Юго-Восточной Азии, цифровые технологии в патоморфологии предлагают ключевую возможность для совершенствования методов лечения рака, например за счет более раннего выявления, сокращения задержек и более персонализированного лечения. В сочетании с анализом изображений на основе ИИ эти платформы повышают точность диагностики, обеспечивают междисциплинарное сотрудничество и своевременный доступ к экспертным знаниям даже в удаленных условиях. Это особенно важно для раковых заболеваний с высокой распространенностью заболевания, таких как рак легких и рак молочной железы, когда ранняя диагностика может значительно улучшить выживаемость. Открытые, взаимодействующие экосистемы дополнительно обеспечивают адаптивность, интеграцию проверенных инструментов сторонних производителей и соответствие нормативным требованиям, помогая создавать надежную в будущем диагностическую инфраструктуру. Клинически валидированные решения, сформированные патологами и протестированные на репрезентативных наборах данных, обеспечивают согласованность, а надежная кибербезопасность и масштабируемое оборудование обеспечивают безопасное и прозрачное внедрение в течение всего цикла медицинской помощи. В эпоху здравоохранения, характеризующуюся точностью, скоростью и возможностью подключения, цифровая патология не просто меняет ситуацию, она становится новой основой современной диагностики.

Источники:

[1] Eloy, C., et al. 2025. “Digital transformation of pathology – the European Society of Pathology expert opinion paper.” Virchows Archiv. doi:10.1007/s00428-025-04090-w.

[2] Zia, S., et al. 2025. «An update on applications of digital pathology: primary diagnosis; telepathology, education and research.» Diagnostic Pathology 20 (17). doi:10.1186/s13000-025-01610-9.

[3] Menter, T., et al. 2020. “Intraoperative frozen section consultation by remote whole-slide imaging analysis –validation and comparison to robotic remote microscopy.” Journal of Clinical Pathology 73 (6): 350–352.

[4] International Agency for Research on Cancer. 2022. Global Cancer Observatory. Accessed August 10, 2025. https://gco.iarc.fr/.

[5] Zehra, T., et al. 2023. “A suggested way forward for adoption of AI-Enabled digital pathology in low resource organizations in the developing world.” Diagnostic Pathology 18 (1): 68. doi:10.1186/s13000-023-01352-6.

[6] Mosquera-Zamudio, A., M. Gomez-Suarez, J. Sprockel, J.C. Riaño-Moreno, E.A.M. Janssen, L. Pantanowitz, and R. Parra-Medina. 2024. “Globalization of a telepathology network with artificial intelligence applications in Colombia: The GLORIA program study protocol.” Journal of Pathology Informatics 15: 100394. doi:10.1016/j.jpi.2024.100394.

[7] Walsh, E., and N.M. Orsi. 2024 г. “The current troubled state of the global pathology workforce: a concise review.” Diagnostic Pathology 19 (163). doi:10.1186/s13000-024-01590-2.

[8] Edayan, J.M., et al. 2024. “Informatics in Medicine Unlocked” 50: 101566. doi:10.1016/j.imu.2024.101566.

[9] Go, H. 2022. “Digital Pathology and Artificial Intelligence Applications in Pathology.” Brain Tumor Research and Treatment 10 (2): 76–82.

[10] Shafi, S., and A.V. Parwani. 2023. “Artificial intelligence in diagnostic pathology.” Diagnostic Pathology 18 (109).

[11] Jarrahi, M.H., et al. 2022. “The key to an effective AI-powered digital pathology: Establishing a symbiotic workflow between pathologists and machine.” Journal of Pathology Informatics 13: 100156.

[12] Gaffney, H., and K.M. Mirza. 2025. “Pathology in the artificial intelligence era: Guiding innovation and implementation to preserve human insight.” Academic Pathology 12: 100166.

[13] Mulder, D., et al. 2025. “Use of artificial intelligence–assistance software for HER2-low and HER2-ultralow IHC interpretation training to improve diagnostic accuracy of pathologists and expand patients’ eligibility for HER2-targeted treatment.” Abstract presented at the 2025 ASCO Annual Meeting.

[14] Signify Research. 2023. “Digital Pathology Investment Matures, VCs Get Selective.” Accessed September 4, 2025. https://www.signifyresearch.net/insights/complimentary-digital-pathology-vc-investment-analysis/.