從顯微鏡到畫素：數位病理學的新時代

關鍵要點

• • • • 數位病理正在成為亞太地區的新標準，以高解析度的數位載玻片取代光學顯微鏡，以簡化工作流程並改善診斷。
      • 除了數位化之外，完整數位化亦重塑了整個診斷路徑-整合自動化、AI及資料連線性，以獲得更快、更準確的結果。
      • AI支援的影像分析增強了檢測、定量及分類，提高了再現性，同時使病理學家能夠專注於複雜病例。
      • 開放、可互通的生態系統可整合一流的第三方AI工具，確保彈性、創新和長期適應性。
      • 及早採用可強化癌症照護途徑，實現更早的檢測、更快的週轉時間，並更廣泛地獲得專家專業知識（即使在偏遠地區亦如此）。

在整個亞太地區，病理實驗室正在經歷深刻變革。從傳統光學顯微鏡向數位病理學的轉變不再是新興趨勢-它正在快速成為新的標準。簡而言之，數位病理學是將傳統上在顯微鏡下觀察的玻璃載玻片轉換為高解析度數位影像，病理醫師可以在電腦上存取。這項進化不單單是技術採用的問題；而是重塑診斷工作流程並解決當今醫療保健系統面臨的一些最緊迫的挑戰。數位病理學不只是玻璃載玻片的現代替代品。它代表了我們檢視、解釋和管理診斷資訊的方式發生了根本性轉變。問題不再是數位病理是否會成為主流，而是機構何時以及如何有效地實現轉變。

病理實驗室的演變：從數位化到數位化

從光學顯微鏡到數位優先模型的過程可以分為兩個階段：數位化和數位化。數位化從掃描玻璃顯微鏡載玻片開始 ，以建立全載玻片影像(WSI)用於存檔或共用。雖然這解決了許多後勤問題-例如實體儲存和遠端會診-但並未改變病理工作流程本身[1]。另一方面 ，數位化更進了一步。它涉及重新思考和重新設計整個診斷途徑，其中數位影像成為流程每一步的核心-從檢體製備和分析到合作、報告和與其他臨床系統的整合[1]。數位病理學的益處是巨大的，超越簡單的數位化，改變診斷工作流程和病患照護：

• • • 無界限的協同合作：遠端、同時存取投影片，可為服務不足地區的病患提供即時諮詢、快速第二意見及更快速的專家意見。
    • 成本控制與資源最佳化：消除載玻片運輸、快遞和大型儲存裝置，可減少開支、減少浪費，每年可節省數十萬大型網路。
    • 改善工作流程效率和週轉時間：消除手動處理瓶頸，並實現隨時存取，最多可縮短42%的診斷時間，每小時可以檢視超過15×張以上的載玻片[3]。
    • 診斷的精確度和重現性：整合式影像分析工具可提高準確性、分級和生物標籤定量-這是一致、個人化治療決策的必要條件。

整體而言，數位病理學培育了一個連線的診斷生態系統，其中協同合作、成本效益、營運效益及進階分析可共同改善病患及醫療保健系統的結果。儘管具有這些令人信服的優勢，但數位病理學的廣泛採用仍然參差不齊。許多機構都面臨前期投資、員工訓練與工作流程重新設計的需求，以及嚴格的資料隱私或在地化要求等相關障礙。然而，這些挑戰正越來越多地透過明確的數位策略、強大的利益相關者參與，以及強調長期臨床和操作價值而不是短期破壞來解決。正是在這種背景下，必須理解影響數位病理學演變的主要市場驅動因素和壁壘。

推動轉變的因素：挑戰與技術進步

1. 加速採用數位病理的挑戰

數種結構與臨床壓力正在推動實驗室重新思考傳統的工作流程，並邁向數位解決方案：

1. 1. 1. 診斷需求不斷上升 – 人口老化、癌症負擔不斷增加4，加上重視早期檢測，使診斷服務承受前所未有的壓力[5]。
      2. 需要外部諮詢與專業知識 – 越來越複雜的個案需要專業病理醫師的意見。這導致出現了「中心輻射式」模式，由集中專家審查來自多個研究中心的病例[6]。
      3. 勞動力限制 – 合格的病理醫師短缺-特別是在農村或服務不足的地區-需要可擴展的分散式解決方案。AI輔助之影像分析可藉由篩選潛在異常來幫助彌合差距，並由人類病理學家進行最終確認[7]。
      4. 實驗室工作流程瓶頸 – 檢體量上升、流程碎片化，以及對手動處理載玻片的依賴性導致週轉時間緩慢並增加錯誤風險[8]。
      5. 病理醫師的工作量和倦怠感 — 管理負擔和大量工作量導致需要支援分類、優先順序和快速審查的工作流程工具[8]。
      6. 成本與營運效率低下 – 實體儲存、運送載玻片以及重複作業，增加了不必要的費用與報告的可變性。
      7. IT複雜性 – 在許多環境中，將病理資料與醫院EHR和其他診斷系統整合仍然是一個重大障礙。

2. 技術進步推動數位化

與此同時，一波新的創新浪潮也使實驗室能夠克服這些挑戰，並完全接受數位工作流程：

1. 1. 1. 技術成熟 – 高速全載玻片掃描器、雲端儲存及安全的網路基礎建設，使得日常使用大規模數位化變得可行。
      2. 資料與數位化 – 從類比顯微鏡轉向數位影像，為計算病理學與大規模分析打開了大門。
      3. 先進的影像分析演演算法 – AI工具可藉由標準化對細微但臨床上重要的特徵（諸如HER2-Low表現）的解釋來改善病理學評定的再現性及信賴度。其他應用可以進一步擴展，檢測超出人眼極限的細微特徵，例如，直接從H&E載玻片檢測MSI狀態。
      4. AI作為品質控制 – 在主要診斷之外，AI可作為第二審查者，標籤潛在差異或遺漏的發現項以增強一致性。
      5. 無縫資料整合 – 將病理影像與其他診斷方式（放射學、基因體）連結，建立更全面的患者檢視。
      6. 效率與擴充性 – 數位工作流程可支援跨多個月台進行集中審查、快速提出第二意見，並減少週轉時間。
      7. 由大流行驅動的創新 – COVID-19突出了遠端病理學和遠端病理學對持續照護的價值。

數位病理學的新興趨勢與機遇

自動化、人工智慧和開放式創新的進步不僅能簡化實驗室操作，還能實現更深入的臨床見解和更廣泛的合作。這些發展為改善疾病偵測、治療計畫及健康照護交付開闢了新的途徑-將數位病理定位為診斷轉型的中心驅動力。

1. 端對端自動化與工作流程整合

正在發生的最重大轉變之一是走向完全自動化。實驗室越來越多地希望自動化不僅包括影像學檢查，還包括整個病理流程-從檢體追蹤和條碼管理到病例分配、載玻片掃描、影像管理和數位報告。當與實驗室資訊系統(LIS)和電子健康記錄(EHR)系統整合時，數位病理平台可以[6]：

• • • 增強每個檢體從採集到報告的追蹤性。
    • 減少與手動輸入資料或載玻片貼標相關的錯誤。
    • 支援遠端協同合作及第二意見，絕不延誤。
    • 藉由增強的影像清晰度、AI輔助判讀及即時合作來增強診斷信心。
    • 透過自動化實現全天候處理，讓更多投影片能夠準備、掃描並排隊等候審查，協助實驗室更快交付結果，甚至超越標準工作時間。

在管理大量個案或工作人員短缺的環境中，這種整合尤其重要。自動化讓實驗室能夠擴大運作規模，同時維持準確度和處理量，讓病患更快獲得可能改變生活的結果。

2. AI驅動演演算法

隨著數位化產生大量高品質影像資料，病理學家現在有機會與資料科學家、工程師和AI專家密切合作，以挖掘遠遠超出常規視覺評估範圍的見解。AI驅動演演算法之核心為電腦模型（通常基於深度學習及其他高級機器學習技術），該等電腦模型經訓練以辨識病理影像中的特定特徵。藉由從大的、經專業註釋的資料集學習，這些演演算法可以檢測、分割、量化及分類具有高一致性的微觀結構。它們可以針對各種任務進行設計[9、10、11、12]：

• • • 檢測演演算法 辨識疾病特徵（諸如惡性細胞或轉移）的存在或不存在。
    • 分割演演算法 勾勒出所關注區域，例如，劃定腫瘤邊界或突出顯示基質組織。
    • 量化演演算法 測量免疫組織化學(IHC)染色劑（諸如HER2、PD-L1、ER、PR或Ki-67）中生物標籤物的表現水準。
    • 分類演算法 基於形態或生物標籤模式（諸如區分癌亞型）來分配診斷類別。

這些工具能夠以兩種互補的方式運作。作為一線輔助工具，他們可以預先篩選載玻片以標籤潛在的相關病例進行審查，從而簡化大量實驗室中工作負荷的優先順序。作為第二線稽核者，他們可以作為品質控制措施，提供與人類判讀的一致的、客觀的比較，並幫助辨識在人工稽核期間可能被忽略的細微特徵。例如，某些AI模型可以可靠地偵測HER2低表現，此為可影響治療決策但有時在顯微鏡下完全確定地鑑定具有挑戰性的標籤物[13]。演算法被視為伴隨診斷工具，可辨識符合標靶治療條件的患者。應用範圍正在迅速擴大。一些演算法專注於特定的腫瘤型別，諸如前列腺癌、乳癌或大腸直腸癌，而其他演算法旨在評定預後性或預測性生物標籤。新興模型甚至可將組織病理學特徵與基因體、放射學及臨床資料相結合，以預測疾病進展、估計復發風險或預測患者對給定療法的可能反應[9,10]。AI的最大價值在於建立共生診斷工作流程，其中將重複且耗時的任務（諸如有絲分裂圖形計數、載玻片分診或複雜的定量測量）委託給演算法。如此一來，病理醫師就可騰出更多時間進行細緻的判讀及多專業的個案討論。如此一來，不僅週轉時間更迅速，診斷見解也更具重現性和更豐富詳細，在維持病理醫師在病患照護中核心角色的同時，有助於推進精準醫療的前景[11]。

3. 開放的生態系統以及與AI演算法提供商的合作

塑造這一圖景的第三大力量是開放數位病理生態系統的崛起。現代數位病理平台越來越多地設計為整合來自廣泛合作者的第三方AI演算法，從而建立模組化、可互操作且創新友好的環境。這些平台不會將使用者鎖定在單一專有工具集中，而是可讓病理醫師直接在統一的檢視器介面中部署來自多家供應商的一流AI模組，從而減輕訓練負擔，並支援順暢採用工作流程。這些演算法中的許多提供了有針對性的見解—例如腫瘤分級、轉移檢測或生物標籤定量—這些結果補充而不是取代了病理學家的專業知識。這種方法可確保報告更快速、更一致且具有臨床相關性。此開放模式已吸引大量全球投資，自2014年以來，有超過17億美元投向AI驅動的數位病理解決方案，其中僅在2021年就激增42% [14]。儘管創新步伐迅速，但部署到常規臨床工作流程中仍然具有挑戰性，因為監管要求以及需要與硬體無關且可適應在地IT限制的解決方案。值得注意的是，亞太地區的Qritive等公司舉例說明了初創企業如何透過提供與硬體無關的本地AI模組為這一領域帶來價值，這些模組可解決前列腺癌、結腸癌和肝癌等區域性優先事項，同時確保資料主權。最終，這種端對端病理實驗室自動化、AI驅動之分析演演算法及開放的AI驅動之生態系統的組合培養了連線性及適應性網路，可將靜態診斷資料轉化為可操作的見解。這種跨合作夥伴、跨資料型別和跨地域的連線能力，讓醫療保健提供者能夠提高診斷準確性、簡化工作流程，並確保在正確的時間為正確的患者提供正確的介入治療。

數位病理成熟後應優先考慮什麼

隨著數位病理學從願景走向現實，選擇合適的伴侶成為實現其全部潛力的關鍵一步。在評估數位病理供應商時，實驗室應尋找提供端對端支援的合作夥伴-從高品質載玻片掃描到AI驅動的影像分析和資料整合-確保無縫工作流程，而不是一系列斷開的工具。同樣重要的是供應商對開放性的承諾：在開放的生態系統中整合及納入第三方演算法的能力可促進創新，並為平台提供未來的保障。同時，所選擇之供應商（或AI演算法提供者）應展現經證實在服務及支援方面的專業知識。除了提供簡單的技術之外，他們還必須能夠提供回應迅速的技術協助、持續的訓練和主動式維護，以確保不間斷的運作和最佳的系統效能。最後，在遵循監管標準、資料隱私性和網路安全保障方面的強大專業知識對於保護敏感的患者資料，同時保持跨不同地區的合規性至關重要。這些考量可確保數位轉型不僅提供速度與效率，還能提供彈性和長期價值。

數位病理學的新時代

從光學顯微鏡到完全數位化的轉變正在將病理學從小眾創新轉變為臨床必要性。在整個亞太-特別是在東南亞新興-數位病理學提供了加強癌症照護途徑的關鍵機會，例如透過更早的檢測、更少的延遲及更個人化的治療。當與AI支援的影像分析結合時，這些平台可提高診斷準確性、實現多學科協同合作，並提供對專家專業知識的及時存取-即使在遠端環境中。這對於肺癌和乳癌等高負擔癌症尤其重要，早期診斷可以極大地提高存活率。開放、可互通的生態系統可進一步確保適應性、與經過驗證的第三方工具整合，並符合法規要求，協助確保診斷基礎建設面向未來。由病理學家制定並在代表性資料集上進行測試的經過臨床驗證的解決方案可促進一致性，同時強大的網路安全和可擴展的硬體可在整個照護過程中安全、無縫地採用。在由精確度、速度及連線性所定義的醫療保健時代 ，數位病理不僅是遊戲規則的改變者，也是現代診斷學的新支柱。

參考文獻：

[1] Eloy，C.等人，2025. 「Digital transformation of pathology -歐洲病理學會的專家意見書。」Virchows Archiv. doi：10.1007/s00428-025-04090-w.
[2] Zia，S.等人，2025. 「數位病理學應用的最新資訊：初步診斷；遠距病理、教育與研究」。Diagnostic Pathology 20 (17)……doi：10.1186/s13000-025-01610-9.
[3] Menter，T.等人，2020. 「藉由遠端全切片成像分析進行術中冷凍切片諮詢-驗證及與機器人遠端顯微鏡檢查的比較。」Journal of Clinical Pathology 73 (6)：350-352.
[4] 國際癌症研究機構。2022。 全球癌症觀察站。Accessed August 10，2025.
https://gco.iarc.fr/.
[5] Zehra，T.等人2023. 「在發展中世界之低資源組織中採用AI啟用之數位病理學的建議前進方向。」Diagnostic Pathology 18 (1)：68. doi：10.1186/s13000-023-01352-6.
[6] Mosquera-Zamudio，A.，M.Gomez-Suarez，J.Sprockel，J.C.Riano-Moreno，E.A.M. Janssen，L.Pantanowitz及R.Parra-Medina. 2024。 「哥倫比亞具有人工智慧應用的遙病理學網路全球化：GLORIA計畫研究方案」。Journal of Pathology Informatics 15：100394. doi：10.1016/j.jpi.2024.100394.
[7] Walsh，E.及N.M.Orsi. 2024。 「全球病理工作人員目前所處的困境：簡要回顧。」Diagnostic Pathology 19 (163)……doi：10.1186/s13000-024-01590-2.
[8] Edayan，J.M.等人，2024. 「Informatics in Medicine Unlocked」 50：101566. doi：10.1016/j.imu.2024.101566.
[9] Go，H。2022. 「數位病理學和人工智慧在病理學中的應用。」Brain Tumor Research and Treatment 10 (2)：76-82.
[10] Shafi，S.及A.V.Parwani，2023。 「診斷病理學的人工智慧」。Diagnostic Pathology 18 (109)……
[11] Jarrahi，M.H.等人，2022。 「有效AI驅動的數位病理學的關鍵：在病理醫師與機器之間建立共生工作流程。」Journal of Pathology Informatics 13：100156.
[12] Gaffney，H.及K.M.Mirza。2025。 「人工智慧時代的病理學：指導創新和實施以保持人類洞察力。」Academic Pathology 12：100166.
[13] Mulder，D.等人，2025。 「使用人工智慧輔助軟體進行HER2低和HER2超低IHC判讀訓練，以提高病理醫師的診斷準確性，並擴大患者接受HER2靶向治療的資格。」摘要在 2025年ASCO年會上提交。
[14] 代表研究。2023。 「數位病理學投資成熟，風險投資具有選擇性。」存取日期2025年9月4日。 https://www.signifyresearch.net/insights/complimentary-digital-pathology-vc-investment-analysis/.