综述：加快数字病理技术在印度的应用

《Journal of Pathology Informatics》：Accelerating the implementation of digital pathology in India

　　桑吉塔·德赛（Sangeeta Desai）| 杰耶什·德什穆克（Jayesh Deshmukh）| 阿努拉格·梅塔（Anurag Mehta）| 库纳尔·夏尔马（Kunal Sharma）| M.N. 维迪亚（M.N. Vidya）| 基尔蒂·查达（Kirti Chadha）| R. 维纳（R. Veena）| 桑迪普·塞瓦利卡尔（Sandeep Sewlikar）| 安娜·里切利亚·贾拉-拉扎罗（Ana Richelia Jara-Lazaro）
塔塔纪念中心（Tata Memorial Centre），E·博尔赫斯博士路（Dr. E Borges Road），帕雷尔（Parel），孟买 400012，印度

**摘要**
数字病理学（Digital Pathology, DP）利用全切片成像（Whole Slide Imaging, WSI）技术，通过实现高分辨率成像、远程诊断和人工智能（Artificial Intelligence, AI）辅助分析，为传统病理学增添了价值。尽管具有巨大潜力，但在资源有限的环境中（如印度），DP的采用仍然有限。目前对于DP的多样化应用、采用障碍以及适合印度医疗保健环境的成本效益实施策略的理解存在显著差距。因此，本综述探讨了DP在印度的应用前景，包括初步诊断、第二意见、远程病理学、教育、冰冻切片分析、AI辅助诊断、数据管理和质量保证等方面。同时，也分析了广泛采用DP所面临的障碍，如基础设施和信息技术的限制、高昂的成本以及数据安全问题。人们对工作岗位流失的担忧也阻碍了DP的推广。解决这些挑战需要采取战略性的方法，包括创新的收入生成策略、有针对性的培训计划、强大的数据安全措施以及高质量数据集的开发。此外，病理学家、医疗服务提供者、政策制定者和技术开发者之间的合作至关重要。通过有组织的实施和有针对性的投资，DP有望彻底改变印度的病理学服务，提高诊断准确性，缩短周转时间，并扩大特殊治疗的覆盖范围，尤其是在服务不足的地区。

**引言**
数字病理学（DP）是指使用全切片成像（WSI）扫描仪获取、管理和解释高分辨率的组织病理学玻璃切片数字图像，并结合图像管理软件和越来越多的人工智能（AI）算法。与传统光学显微镜不同，DP允许远程访问数字切片，支持AI辅助的图像分析，支持长期存档，并消除了物理切片运输的需求，这些功能在地理分布广泛且资源有限的医疗系统中尤为重要。通过减少观察者之间的差异以及使偏远地区的病理学家能够获得专家意见，DP有望解决诊断服务中的长期公平性问题。定量证据表明，优化的DP工作流程可以缩短周转时间（TAT），一些机构报告的周转时间与传统显微镜相当甚至更快。诊断一致性研究一致显示，在多个外科病理学亚专业领域，WSI在初步诊断方面不逊于玻璃切片评估。

印度的医疗保健系统具有明显的结构差异性，分为三级层次：初级卫生中心、地区或二级医院以及三级或教学机构，同时存在一个占主导地位的私营部门，提供了约70%–80%的门诊服务。从地理上看，这导致了明显的城乡差距：专科病理学家和先进的诊断基础设施主要集中在一线城市，而二线和三线城市以及农村地区则严重服务不足。尽管印度拥有全球最多的病理学家人数之一，但相对于超过14亿的人口来说，合格的病理学家仍然严重短缺，特别是在农村和半城市地区，许多实验室没有认证的病理学家。这种不平衡状况因传染性和非传染性疾病的负担、快速发展的诊断市场以及不同机构间实验室质量标准的巨大差异而加剧。正是在这种复杂的背景下，DP的实施不应采取统一的自上而下的方式，而应根据医疗保健系统的具体需求、资源和限制条件量身定制解决方案。

虽然远程病理学的概念出现于20世纪80年代，但随着自动化WSI和支持软件的发展，它在90年代开始流行起来。在印度，DP的首次应用始于2000年，当时在巴尔希（Barshi）和孟买的两家医院之间建立了静态远程病理学服务，以弥合医疗资源匮乏的偏远农村地区与技术先进的中心之间的差距。预计到2025年，印度诊断市场将达到90亿美元，复合年增长率约为10%。这一增长趋势，加上非传染性疾病的增加和专科病理学家的短缺，为DP在印度的广泛采用提供了重要机会，尤其是在农村和贫困地区。

目前仍存在关于DP应用范围、采用障碍及其实施策略的关键知识空白，特别是针对印度医疗保健生态系统特有的结构、经济和运营限制。为了填补这些空白，本综述全面综合评估了以下方面：（i）DP的发展及其与AI的融合；（ii）数字化对病理学工作流程、效率和质量的影响；（iii）技术、监管、基础设施和劳动力方面的关键采用前后的障碍；（iv）针对印度实际情况的潜在解决方案。与以往主要关注技术进步或全球采用趋势的综述不同，本文提供了以印度为中心的综合评估，明确考虑了成本和基础设施因素，并提出了一个实用的、分阶段的采用框架，旨在实现低收入和中等收入国家医疗保健系统的可扩展集成。

**方法**
为了提高可重复性，本综述采用了结构化且透明的文献搜索方法。系统地搜索了2000年1月至2025年12月期间发表在PubMed/MEDLINE、Scopus和Google Scholar等电子数据库中的研究。搜索策略结合了控制词汇和自由文本术语，并使用了布尔运算符。代表性的搜索字符串包括：（“digital pathology” OR “whole slide imaging” OR “WSI”）AND （“India” OR “low- and middle-income countries” OR “LMIC”）AND （“implementation” OR “barriers” OR “telepathology” OR “artificial intelligence” OR “machine learning”）。标题和摘要经过独立相关性筛选后，对符合条件的文章进行了全文评估。纳入的研究涵盖了DP的应用、验证、实施挑战或采用情况，优先考虑印度及低收入和中等收入国家（LMIC）的背景。排除标准包括非英文出版物、没有完整数据集的会议摘要以及与临床或实施方面无关的研究。由于数据异质性，无法进行正式的元分析，但共筛选出约120篇相关文章，其中约65篇被用于定性综合分析。采用叙述性综合方法，重点关注基础设施、工作流程整合、成本和临床验证等反复出现的主题。通过交叉引用引文并优先考虑多机构和高质量的研究来减轻选择偏差。

**印度数字病理学的应用与机遇**
DP在常规诊断实践中的应用涉及多个临床领域，包括使用WSI直接替代玻璃切片显微镜进行初步组织病理学诊断、通过实时远程病理学进行冰冻切片（FS）分析的术中咨询、机构间的远程第二意见咨询（包括农村转诊中心和三级学术医院），以及跨地理边界的亚专科转诊网络，以实现复杂或罕见病例的专家审查。在印度背景下，这些应用具有巨大潜力，因为专科病理学家主要集中在城市中心和大型学术机构，而边缘和农村地区的设施服务不足。DP的应用总结见图1，实际使用案例见表1。

**下载：** 下载高分辨率图像（266KB）
**下载：** 下载全尺寸图像
**图1. 印度数字病理学的应用。**
**表1.**数字病理学在印度基础设施、法规和层级可行性方面的应用案例：

### 应用案例
- **所需基础设施**
- **一级可行性（城市/教学医院）**
- **二级/三级可行性（地区/农村中心）**

#### 教育与培训
- **WSI扫描仪（基本配置）**
- **图像管理和注释软件**
- **稳定的宽带（约5–10 Mbps）**
- **用于实时视频流的数字显微镜**
- **用于去标识化教学数据集的机构数据治理**
- **患者同意使用图像进行教育**
- **NMC/NBE关于数字教学方法的指南**

#### 教学机构
- **具有成熟IT系统的教学机构**；94.3%的印度学生更倾向于这种方式；数字方法显著提高了测试成绩（p = 0.007）

#### 互联网连接**
- **互联网连接是主要限制因素**；云托管的WSI库可以减轻本地基础设施负担；通过DP进行远程CPCs是可行的

#### 远程病理学与远程报告
- **WSI扫描仪 + 数字工作站**
- **至少10 Mbps的可靠连接**
- **安全图像传输平台**
- **DP-LIMS集成**
- **MDT协作基础设施**
- **2020年远程医疗实践指南（NMC/NITI Aayog）**
- **2023年DP法案：患者数据传输隐私**
- **NABL：常规使用前的共识验证**

#### WSI诊断
- **在塔塔纪念中心验证**（567例，1.2%的轻微不一致，无重大不一致）；多个印度三级中心在COVID-19期间采用了这种方法

#### 冻结切片诊断
- **高容量WSI扫描仪**
- **医用级显示器**
- **强大的服务器和存储基础设施**
- **LIMS集成和专用IT支持人员**
- **NABL：强制性分析验证（共识研究，SOPs）**
- **2017年医疗器械规则（如果涉及AI辅助）**
- **CDSCO对AI嵌入诊断工作流的监督**

#### AI辅助诊断与分级
- **WSI基础设施（如上）**
- **支持GPU的服务器**
- **AI/ML软件平台**
- **病理信息学专业知识**
- **高质量注释的训练数据集**
- **2017年医疗器械规则（修订版）：AI作为SaMD**
- **CDSCO：目前尚无印度特定的SaMD路径**
- **需要独立的AI伦理委员会监督**
- **患者对AI辅助诊断的知情同意**

#### 数据存储与归档
- **分层存储：SSD（活跃）+ 磁带/云（归档）**
- **DICOM兼容的PACS或链接存储库**
- **JPEG2000压缩流程**
- **保留政策管理**
- **DPDP法案：数据本地化、同意和责任**
- **ABDM：联邦健康数据交换标准**
- **DICOM和HL7/FHIR标准**
- **机构保留和删除SOPs**

#### 质量保证
- **具有端到端可追溯性和实时监控的LIMS**
- **图像质量评估的现场QA系统**
- **标准化SOP和文档系统**
- **外部QA计划参与基础设施**
- **NABL认证：认证实验室的QA框架是强制性的**
- **尚无印度特定的数字病理学QA标准**
- **专业机构（IAPB）领导国家QA指南开发**

#### 远程病理学与专家意见
- **从婴儿期开始，远程病理学就在印度发展**；COVID-19疫情期间因其更容易接触专家病理学家而流行
- **远程病理学促进了专家咨询、第二意见和远程诊断**，对公共医疗系统（尤其是服务不足的地区）非常有价值
- **印度的医疗需求不断增长，病理学家短缺，远程病理学提供了一个有前景的解决方案**

#### 图像解释与分析
- **WSI在主要诊断方面不逊于传统玻璃切片**
- **优化的DP工作流程减少了手动错误，提高了可视化效果，并确保了可重复性**
- **在西方国家成功实施后，印度研究人员开始在各种患者群体中使用WSI**
- **研究表明，WSI在前列腺癌的初步诊断中与传统玻璃切片显微镜一样有效**
- **AI辅助诊断和分级在印度得到了验证**

#### AI辅助诊断与个性化治疗
- **AI提高了诊断工作的准确性、效率和可重复性**
- **多项AI应用在病理学中得到了前瞻性验证**这些应用包括在乳腺癌、前列腺癌和结直肠癌中自动检测和分割肿瘤；有丝分裂图像计数，其重复性优于手动评估；量化免疫组化生物标志物，如Ki67增殖指数、PD-L1表达和HER2评分；以及直接从苏木精和伊红（H&E）染色的切片中预测分子特征。39, 40 美国食品药品监督管理局（FDA）和欧洲CE标志框架等机构对某些AI工具的监管批准进一步强调了这些应用的临床准备就绪程度，尽管印度的相应监管途径仍处于早期发展阶段。41 当WSI与先进的计算机视觉算法结合使用时，可以实现特征提取、对象识别和预测分析。AI算法已被集成到DP工作流程中，作为独立的诊断系统、辅助工具和自动化定量工具。这种自动化不仅帮助病理学家进行诊断，还支持疾病进展、治疗反应和患者预后的预测。此外，将组织病理学数据与临床、遗传和放射学信息结合起来，可以进行全面的“组学”分析，克服了传统评估的局限性。39, 40 使用算法驱动的评分系统进行自动图像分析还可以提高预后标志物评估的准确性。42 因此，AI辅助诊断可以惠及私人实验室、专业研究中心和临床医生，有助于制定个性化治疗计划。DP标准化了样本分析，减少了传统显微镜检查或分级方法固有的观察者间差异。Rathi等人发现，uPath HER2 Dual ISH图像分析在识别HER2扩增方面不逊于手动评分，并可以支持病理学家的常规诊断。43 在肿瘤学中，DP结合AI和机器学习（ML）工具在癌症风险评估方面具有显著优势。AI有助于更敏感和一致地量化免疫组化生物标志物（例如Ki67和PD-L1）以及检测淋巴结中的孤立肿瘤细胞。39, 40 此外，它还标准化了主观分级系统，如前列腺癌和乳腺癌的Gleason评分（GS），减少了观察者间的差异。AI工具可以将患者分为低风险、中等风险或高风险类别，指导适当的治疗策略。Nagpal等人观察到，基于AI的GS预测在风险分层方面比病理学家得出的GS更有效。44 同样，Shao等人提出了一个基于AI的前列腺癌风险分层模型CCHEK（CAPRA-S 1 CNN H&E & Ki-67）。他们的发现强调了CCHEK在使用CAPRA-S时在准确预测患者结果方面的优越性。45 在神经肿瘤学中，AI模型在胶质瘤分类、肿瘤分级和预后预测方面表现出色，而语义分割技术则将空间肿瘤特征与生存结果联系起来。39 基于内容的图像检索系统通过允许访问大量数据库中的类似病例，进一步增强了病理学家诊断罕见或复杂疾病的能力。40 此外，AI的预测能力将组织学特征与遗传和分子特征联系起来，推进了对肿瘤生物学和治疗反应的理解。基于ML的卷积神经网络在识别与预后结果（如复发或转移风险）相关的形态模式方面发挥着关键作用。39, 40 应用范围从预测结直肠癌中的KRAS突变到评估微卫星不稳定性。40 尽管由于多维数据集的复杂性，将基因组数据与成像结合具有挑战性，但AI的进步有望统一形态学、分子和临床信息，为精准肿瘤学铺平道路。这些应用因此可以减少不必要的分子检测并提高成本效益。39, 40 除了预后标志物的量化之外，基于AI的工具越来越多地被探索用于直接从WSI中识别预测性生物标志物，这在分子病理学基础设施有限或缺失的临床环境中具有特别重要的意义。计算病理学算法已经证明能够直接从H&E染色的WSI中推断出分子特征，如微卫星不稳定性，而无需额外的免疫组化或基因组检测。46 在印度等资源和条件有限的实验室中，由于无法获得荧光原位杂交、下一代测序或先进的分子检测，这些基于AI的生物标志物预测工具可以作为重要的初步筛查步骤，使确认性分子检测更加有针对性和成本效益。基于AI的分诊系统是资源有限环境中另一个高影响力的应用。通过根据预测的严重程度、恶性可能性或诊断复杂性自动优先处理病例，这些工具可以帮助病理学家，特别是那些管理大量病例且支持人员有限的病理学家，更高效地分配他们的注意力。AI算法已被验证可用于宫颈细胞学和前列腺活检的分诊，标记高风险病例以加快审查速度。47, 48 在像印度这样的国家，病理学家与人口的比例仍然很低，智能病例分诊可以显著减少诊断延迟并改善患者结果。尽管验证结果令人鼓舞，但将AI整合到常规病理工作流程中需要仔细考虑部署架构。大多数临床实施遵循“人在回路”模型，其中AI生成的输出在最终诊断前由病理学家审核和验证，以确保临床责任并最小化自动化偏差。主要挑战包括模型在不同人群中的泛化能力、切片制备的变异性以及随时间的数据漂移，如果不对这些因素进行持续监控，可能会降低算法性能。在印度，由于染色协议、扫描仪类型和实验室实践的多样性，AI模型的稳健性成为临床实用性的关键决定因素。因此，成功的实施需要持续的本地验证、使用特定机构的数据集进行定期重新校准，以及定义AI在诊断决策中角色的治理框架。

数据的存储和归档
医院和医疗中心每天都会生成大量用于手术规划和诊断评估的数字医学图像。这些图像需要大规模存储和数据库，特别是为了维护癌症登记册或专注于罕见或独特病例的登记册。数字图像以电子形式存储，消除了传统病理学中使用的脆弱玻璃片片的限制。3 数字切片可以在任何工作站查看，节省了组织和检索切片的时间。26 此外，它还可以通过消除手动存储的需要来释放空间。高分辨率数据的存储和归档确保了高效的数据管理和检索，使私营和公共医疗平台受益。2013年，建立了癌症数字切片档案（CDSA）作为一个在线平台，提供来自癌症基因组图谱（TCGA）的患者样本的数字图像。这一资源通过提供冷冻和福尔马林固定石蜡包埋（FFPE）活检的DP图像，补充了TCGA的基因组和临床数据。49 冷冻样本经过肿瘤纯度和坏死的质量检查，而FFPE切片则被归档以进行组织学确认。最初，CDSA是一个全面的DP图像存储库，但数据访问需要下载大文件。它通过提供更高效的存储和归档解决方案来提高可访问性。49 在印度，癌症成像生物库作为政府和顶尖学术机构之间的合作项目正在兴起，旨在创建一个定义明确、带有注释的图像数据库，并促进AI研究人员、临床医生和行业之间的合作。50

质量保证
DP具有变革潜力，需要强大的质量保证（QA）框架来维持诊断的准确性和可靠性。集成的实验室信息管理系统（LIMS）通过端到端的可追溯性、实时监控和支持遵守临床协议来进一步增强QA。51 美国的一些机构率先将DP整合到临床操作中，利用差距分析和后续行动计划来建立内部QMS协议。这些系统确保在适应数字工作流的独特需求（如组织学质量检查和系统验证）的同时，保持临床实验室标准。52, 53 像使用点-of-use QA系统的工具也有助于解决与质量相关的挑战，通过评估环境因素和设备设置对图像质量的影响。52, 53 这表明DP通过强大的验证协议支持符合严格的监管标准。在印度，开发强大的QA程序具有多重好处。广泛采用标准化程序可以确保实验室间质量的一致性，解决病理服务中的差异性问题，并改善全国范围内的患者结果和公平的医疗保健服务。随着其采用的加速，DP通过整合自动化、远程协作和数据管理，有望改变QA实践，确保可靠、可扩展和高质量的病理服务。

冷冻切片的诊断
传统FS诊断的一个主要挑战是需要现场病理学家，特别是在偏远或规模较小的设施中。DP通过克服传统病理学的几个固有限制，显著改善了初级FS诊断。54 例如，一家加拿大医院报告称，在没有病理学家的情况下，诊断延迟影响了学术责任和咨询机会，特别是对于时间敏感的神经外科FS。55, 56 在转向WSI后，审查FS切片所需的时间显著缩短，从使用机器人显微镜的20多分钟减少到每例大约15分钟。这种更快的TAT有助于达到CAP认证标准，同时保持诊断准确性，并提供比机器人显微镜更优质的图像。54, 55, 56 WSI在初级FS诊断中的成功归因于多种因素，包括由熟练的技术人员制作的可靠、高质量的切片，以及涉及病理学家、IT支持和外科医生的协调团队的整合。尽管偶尔会出现技术问题，如网络问题或扫描仪故障，但WSI的整体表现仍然有效。仔细的规划、系统验证和专门的人员对于成功实施WSI至关重要，确保安全的FS诊断和改善的患者护理。54, 55, 56 2023年，印度一家领先的癌症中心的专家肿瘤学家进行了一项前瞻性验证研究，使用便携式数字扫描系统和消费级计算机对WSI在远程报告FS方面的诊断效用进行了研究。57 这是来自像印度这样的发展中国家的首次此类研究。WSI显示出97.6%（95%–99%）的诊断准确性，以及四位病理学家之间几乎完美的观察者间（κ = 0.993）和观察者内（κ = 0.987）一致性。57 在印度，病理学家分布往往不均衡，许多地区缺乏专门的病理服务，采用WSI进行FS可以帮助弥补服务不足的地区。它还可以改善医疗保健服务，特别是在肿瘤学和外科等关键领域，及时准确的诊断至关重要。尽管多项印度研究报告了DP的高诊断一致性和可行性，但这些发现主要来自具有先进基础设施、标准化工作流程和培训人员的三级转诊中心。相比之下，二级和三级实验室的证据有限，其中切片制备的变异性、不一致的染色质量、有限的IT基础设施和缺乏培训的人员可能会显著影响诊断性能。这引入了当前验证研究中可能存在的过度估计偏差，可能无法完全反映分散医疗环境中的实际情况。此外，虽然远程病理学和远程报告在COVID-19大流行等受控环境中展示了可行性，但其长期可持续性、成本效益和跨异构医疗级别的可扩展性尚未得到充分研究。这些差距强调了需要从专注于可行性的研究转向评估实际部署、系统集成和不同印度医疗环境中的健康结果的实施科学框架。

当前情况与数字病理学在印度的影响
DP于2000年代首次引入印度，并逐渐被一些机构、医院和印度诊断实验室接受。14 2016年对印度247名病理学家的调查发现，98%的人表示需要远程病理学和DP，34%的人在常规实践中使用DP，82%的人认为DP对专家意见有用。58 在印度COVID-19大流行期间的全国封锁期间，远程工作导致了DP和远程病理学的更大采用。23, 24, 25 孟买的塔塔纪念中心在2020年初验证了基于WSI的远程报告，并在疫情期间采用了家庭报告。23, 29 十八名病理学家验证了DP在567例活检病例中的远程诊断使用。使用了Roche Ventana DP200全切片扫描仪，研究结果显示没有重大不一致性，仅有1.2%的轻微不一致性（n = 7/567）。绝对一致性表明，在风险降低的环境中，WSI在远程诊断方面不逊于传统方法。尽管WSI的评估时间稍长，但消除了中间报告步骤，提高了效率并减少了TAT。23 其他医院也随后采用了玻璃切片和FS的远程报告，有些观察到光显微镜和WSI之间有100%的一致性。24, 25 最近，印度两家领先的诊断实验室连锁机构宣布在其分支机构中采用DP解决方案，以促进及时诊断和远程咨询，表明了整合AI以满足医疗系统日益增长的需求的趋势。59, 60 Apollo Hospitals在2023年启动了全国范围内的DP计划，SRL Diagnostics与PathPresenter合作，使其实验室网络能够进行DP咨询。这些机构经验为更广泛的实施提供了概念验证，并为可扩展性提供了教训。表2展示了印度数字病理学应用的证据强度。表2. 印度数字病理学应用的证据强度。领域 证据强度 关键见解 主要诊断（WSI） 高 在三级医疗机构中一致的非劣效性 远程病理学 中等 可行但长期可扩展性数据有限 人工智能辅助诊断 中等 强大的验证但实际应用有限 成本效益 低 印度特定的经济评估稀少 农村实施 低 显著的证据缺口 AI：人工智能；WSI：全切片成像。

在印度引入和实践数字病理学和人工智能为提升医疗保健行业和改善患者护理标准提供了重要机会。然而，基础设施和信息技术整合、财务限制以及安全问题等挑战对其成功应用构成了重大障碍。克服这些障碍对于促进数字病理学在印度的广泛应用至关重要。解决这些障碍需要一个分阶段的、多利益相关者的实施框架，该框架涵盖三个时间范围。短期内（0-2年），优先行动包括在选定的三级医疗机构建立试点项目以生成本地验证数据，为病理学家和IT人员开发标准化培训模块，并映射现有的LIMS基础设施以确定整合需求。中期（2-5年），服务于外围实验室集群的集中扫描中心提供了一个可扩展且成本效益高的模式，这一模式得到了公私合作伙伴关系（PPP）融资安排和政府数字健康资金的支持。长期内（5年以上），可持续性取决于将数字病理学知识嵌入住院医师培训中，建立印度特定的AI数据集，实现基于AI的诊断工具的监管明确性，并建立国家级的数字病理学服务质量标准。

为了在印度实施数字病理学，我们提出了一个结构化的三级实施框架，该框架整合了基础设施准备、员工发展和监管协调。该框架将短期试点部署与长期系统集成相结合，旨在从三级学术中心到资源有限的地区实验室等各种医疗保健层级中进行扩展。图2提供了该框架的示意图。以下小节和表3分别讨论了每个维度的主要障碍和解决方案。

下载：下载高分辨率图像（362KB）
下载：下载全尺寸图像
图2. 印度数字病理学实施的三级框架。该框架概述了三个时间范围的分阶段方法：短期内（0-2年），重点在于试点项目、本地验证和员工培训；中期（2-5年），强调通过集中扫描中心和公私合作伙伴关系进行扩展；长期内（5年以上），目标是实现全国范围内的整合、开发印度特定的AI数据集和监管成熟度。这些阶段由三个基础支柱支持：基础设施准备、员工发展和监管协调，从而能够在从三级学术中心到资源有限的实验室的各种医疗保健环境中实现可扩展的应用。

表3. 印度数字病理学实施的障碍。
领域 障碍 潜在解决方案
关键利益相关者
基础设施与IT
缺乏物理空间、WSI扫描仪、高速服务器和医疗级显示器；二级/三级机构和农村地区的连接问题
●服务于外围实验室集群的集中扫描中心
●采用DICOM标准和PACS连接的存储
●JPEG2000压缩以减小文件大小
●分层存储：SSD用于活跃病例，磁带/云用于存档
●最低10 Mbps的远程签出连接速度；多用户和冷冻切片工作流程需要更高的带宽
●医院/实验室管理员
●IT和健康信息学专业人士
●技术供应商
●政府（NHM, ABDM）

LIMS整合
遗留或异构的LIMS缺乏标准化接口；健康信息学专业知识有限
●采用HL7/FHIR和DICOM互操作性标准
●通过DP-LIMS集成自动化病例分配、标本跟踪和审计跟踪
●培训专门的健康信息学人员
●IT团队和LIMS供应商
●学术医疗中心
●监管机构（NABL）

成本与融资
高资本成本：WSI扫描仪10万至40万美元，显示器5500至39500美元，GPU服务器2万至4万美元，图像分析软件2万美元以上；重复许可和维护成本
●PPP模式：供应商提供基础设施以换取数据共享或收入共享安排
●政府补贴通过ABDM和国家健康使命
●收入多样化：远程咨询、数字生物库、AI数据集商业化
●教学机构的共享服务和订阅模式
●分阶段实施以分散资本支出
●在完全数字化的工作流程中，1-7年内可实现收支平衡

员工准备
对数字病理学实施的抵制；不熟悉数字导航工具；担心工作流失；约45%的医生缺乏计算能力
●将基于WSI的报告和AI工具评估整合到病理学住院医师课程中
●为在职病理学家提供结构化的继续医学教育（CME）项目
●混合工作流程，包括结构化的验证期（并行玻璃切片和数字报告）
●早期采用者的同行指导
●任务转移：受过培训的技术人员在病理学家监督下进行扫描
●发展病理信息学亚专业
●将AI视为辅助工具，而非替代工具

数据安全与监管
患者数据隐私风险；网络安全漏洞（2020年约有2900万患者记录被泄露）；尚未成熟的SaMD监管路径；没有印度特定的数字病理学认证标准
●遵守2023年数字病理学法案和2025年数字病理学规则（数据本地化、同意和问责）
●与2020年远程医疗实践指南保持一致
●CDSCO关于软件作为医疗设备的指导
●去中心化存储和基于区块链的交易验证
●NABL认证：WSI验证的正式一致性研究和标准操作程序
●开发印度特定的数字病理学认证标准（类似于CAP/RCPath）
●ABDM作为联邦数字病理学数据交换的支柱
●CDSCO和卫生部
●医院伦理委员会
●法律和合规团队

数据集与AI质量
有限的印度特定培训数据集；AI模型主要在非印度人群上训练；算法偏见和诊断错误的风险

基础设施和IT要求
在医疗机构或机构中实施数字病理学需要专门的物理空间，用于集成高分辨率WSI扫描仪、AI和图像管理软件、内部和外部服务器以及IT设备。此外，高分辨率数字图像需要足够的存储容量，以确保服务器能够存储图像而不影响数据质量。数据传输过程中的图像压缩或解压缩可能导致专家之间的诊断差异，还可能导致关键数据的丢失，从而阻碍机器学习模型的准确训练集的开发。因此，需要专家级的IT协助来维护医疗级显示器、实施强大的安全措施、部署高性能服务器，并将数字病理学与LIMS集成以简化工作流程。在混合数字/模拟工作流程中，一些病例以数字方式报告，而其他病例则继续使用玻璃切片，信息团队发挥着核心协调作用，包括管理并行病例跟踪系统，确保数字和玻璃切片工作流程在处理时间和文档标准上不会偏离，并解决可能导致签出延迟的技术故障。需要专门的IT人员来管理扫描仪的正常运行时间、监控网络性能和维护软件集成，这些责任远远超出了传统的实验室IT支持范围。

在印度背景下，将数字病理学系统与LIMS集成面临特殊挑战，因为许多实验室使用的信息系统是遗留的或异构的，缺乏标准化接口。无缝的数字病理学-LIMS集成对于自动化病例分配、跟踪标本状态、将数字图像嵌入病理学报告以及实现端到端审计跟踪至关重要。然而，专有数字病理学平台与现有LIMS之间的不兼容性，加上培训有素的健康信息学专业人员的有限可用性，使得这种集成在技术和财务上对大多数印度机构来说都具有挑战性。采用如Health Level Seven International (HL7)、Fast Healthcare Interoperability Resources (FHIR) 和 Digital Imaging and Communications in Medicine (DICOM)等开放标准可以帮助弥合这一差距，但实施这些标准需要重大的机构投资和专业知识。许多公共医院和医疗中心，特别是在印度偏远和郊区地区，缺乏必要的基础设施和IT支持，存在连接问题，如网络覆盖不足、互联网连接不稳定或带宽较低。由于收入减少，技术升级的投资也较少，这进一步加剧了这些问题。这可能导致处理时间延长和诊断错误，从而影响工作流程效率。值得注意的是，Rao等人报告称，当网络速度低于10 Mbps时会出现签出问题。

为了说明这些基础设施需求的规模：单个未压缩的WSI文件通常介于1到4吉字节之间，具体取决于组织大小、放大倍率和扫描仪分辨率，而JPEG2000压缩后的文件平均大小为300-800兆字节。一个每天处理50个病例的实验室每年可能生成15-200太字节的图像数据，因此需要分层存储架构，结合高速固态存储用于活跃病例和低成本存档解决方案。Rao等人证明，至少10 Mbps的可靠互联网连接对于不间断的远程签出是必要的，对于多用户环境或实时远程病理学，建议使用更高的带宽。为了解决这些挑战，充足的云存储、有效的图像压缩方法和强大的存档系统至关重要。WSI图像应符合DICOM标准，以便顺畅查看和数据传输。然而，WSI图像通常超过DICOM图像对象大小限制，这促使开发了将数字图像与基于DICOM的图片存档和通信系统（PACS）连接的软件和协议。快速磁盘存储用于即时诊断，磁带存档用于长期保留已被证明是有效的。压缩方法（包括有损的JPEG2000和无损的TIFF）有助于减少存储需求，同时保持图像质量。此外，遵守相关临床指南（包括使用DICOM标准进行图像存储和交换）可以确保数字切片的可靠备份和检索，而不会丢失数据。实验室通常实施保留政策，以高效管理存储，定期删除短期诊断切片，同时无限期保留教育和研究切片。

根据2016年在印度进行的一项调查，大约68%的病理学家认为数字病理学实施的成本是一个限制因素。WSI系统的安装、与数字病理学相关的硬件和软件、安全服务器以及云存储需要医院或机构的重大投资。初始成本包括单个高容量（>100张切片）全切片扫描仪的成本，范围从10万到40万美元，以及医疗级显示器的成本，为5500至39500美元。软件需求也会影响价格。基于应用的软件基础成本约为2万美元，额外功能费用为10万美元。一个简单的、非冗余的系统，每年为生产25万张切片的实验室提供3个月的在线数据存储，成本约为9万美元。服务器，特别是支持高级软件、算法和AI驱动的图像分析的高性能图形处理单元，成本高达2万至4万美元。此外，与云存储、软件许可和升级、硬件维护以及IT支持相关的经常性成本也增加了数字病理学实施的总体成本。此外，设备的顺利运行需要受过培训的人员。培训这些专业人员来操作和维护设备会增加预算紧张的医疗中心的财务负担。这些费用可能会阻碍数字病理学在印度的采用，尤其是对于资金有限的小型实验室、医院和诊断中心。

数字病理学实施的财务影响因机构的类型和规模而异。对于已经拥有成熟IT基础设施并且病例量足够大、能够证明投资合理的大型私立学术医疗中心和高容量诊断实验室连锁机构来说，采用数字病理（DP）的商业案例相对直接，通过提高效率和收入多元化可以实现盈亏平衡。相比之下，小型到中型私立诊断实验室面临更大的挑战，因为扫描仪和服务器的高资本成本可能与在没有规模效应的情况下预期的回报不成比例。对于公共部门机构，包括政府医学院、地区医院和初级保健中心来说，成本障碍更为严重，因为它们的资本预算有限，按服务收费的收入也有限。这些机构主要依赖政府补贴、公私合作（PPP）安排或共享服务模式（如集中扫描中心）来使DP在经济上可行。无论是公立还是私立学术机构，还可以通过研究资助、人工智能开发合作以及教学数据集的货币化来抵消成本，而这些收入流对于纯粹的诊断实验室来说较为难以获得。

关于DP的成本效益分析有限，主要基于单一中心的学术经验，因此难以推广。研究表明，只有在完全数字化的工作流程中才能实现成本效益，节省的成本来自于减少玻璃切片处理、免疫组化使用和劳动力成本。然而，盈亏平衡点因生产力提升和设置成本而异，估计时间从1年到7年不等。有必要进一步研究印度环境下DP的成本效益。

有多种创收策略可以证明与DP相关的高投资是合理的。一个有前景的创收机会是向国内外客户提供远程病理咨询服务。通过提供专家的第二意见，医疗机构可以扩大市场覆盖范围并从中获利。实验室之间的协作报告和切片共享也可以产生收入。机构可以通过在患者咨询、教学和研究用途中收取费用来变现数字副本。此外，共享匿名数据并与第三方算法开发者建立合作关系可以促进人工智能工具的开发，从而通过商业化获得可观的收入。创建基于订阅的数字生物库供教学机构使用，以及为病理实验室提供外部质量评估程序，也可以带来额外收入。

除了机构自身的创收策略外，公私合作模式为补贴DP采用的大量前期成本提供了可行的途径，特别是对于印度农村和半城市地区的政府运营医院和健康中心。在这种框架下，私营技术供应商或诊断连锁机构可以提供DP基础设施，包括扫描仪、软件和连接解决方案，以换取数据共享协议、联合品牌机会或基于服务的收入模式。印度数字健康生态系统的其他领域（如远程医疗和放射学）也有类似的先例。此外，政府的倡议（如“Ayushman Bharat Digital Mission”和“National Digital Health Blueprint”）为将DP整合到公共医疗保健服务中提供了政策基础，而通过“National Health Mission”等计划提供的定向资金可以支持在地区和三级转诊医院的试点实施。

节省的空间和人力管理成本可以转化为较低的管理费用，从而随着时间的推移提高财务效率。DP带来的更快检测时间（TAT）也可以为所有利益相关者（包括医疗服务提供者和患者）节省成本，最终证明投资的合理性。通过采用这些策略，医疗机构可以为DP的投资回报提供有力的论据，帮助抵消初期支出，并促进持续的财务可持续性。

尽管印度拥有全球最多的病理学家之一，但仍然严重缺乏合格的医学博士病理学家来满足其快速发展的诊断病理学领域的需求。此外，许多病理学家仍然依赖传统方法，抗拒适应现代病理学方法，这成为采用数字系统的障碍。病理学家对DP的抵制是多方面的，除了代际或习惯上的偏好外，还包括不熟悉数字导航工具（如平移、缩放和屏幕上的对焦调整）、与显微镜相比触觉反馈减少、在没有经过验证的人体工程学设置的情况下对基于屏幕的诊断感到不适，以及对AI生成建议的可靠性不确定等问题。研究表明，实践培训、早期采用者的同行指导以及通过混合工作流程逐步接触比单纯的教学更有效。允许病理学家在过渡期间同时进行传统玻璃切片和数字报告的机构政策也有助于建立对数字平台的信任。

临床医生可能对DP的好处了解不足，而病理学家的教育和意识有限可能导致他们担心随着DP和AI的整合而失去工作。然而，新兴证据表明，AI在病理学中更像是辅助工具而非替代工具。研究表明，AI辅助的工作流程可以提高诊断效率并降低错误率，同时病理学家仍保留解释权和临床判断力。这种从工作取代到角色转变的范式转变将AI视为一种扩展病理学家能力的协作工具，特别是在高容量或资源有限的环境中。

在印度背景下采用DP需要理解数字技术和由AI支持的诊断决策。虽然AI支持可以提高诊断准确性，但如果不经过审查就盲目遵循AI建议，仍然存在诊断错误的风险。全球约有45%的医生缺乏过渡到数字健康技术所需的计算能力。因此，迫切需要结构化和有针对性的培训项目，帮助病理学家应对数字平台的复杂性并充分发挥其潜力。必须对病理学家进行培训，或者诊断团队需要找到合作伙伴（如计算专家）来批判性地评估AI生成的结果，以确保诊断决策既基于信息又不过度依赖AI。为此，机构必须培养病理学家的AI素养，并设立病理信息学部门来评估AI建议并提供准确的诊断。

长期解决劳动力准备问题的可持续方案是将DP素养纳入正式的病理学培训中。将基于数字切片成像（WSI）的报告、AI工具评估和数字工作流程管理纳入病理学住院医师课程中，与国家考试委员会和大学研究生项目的能力框架保持一致，可以确保未来的病理学家在入职时就已经熟悉数字平台。同样重要的是为在职病理学家开发结构化的持续医学教育项目，以便在不干扰现有临床工作流程的情况下提升他们的技能。像印度病理学家和微生物学家协会以及印度细胞学家学会这样的专业机构可以与学术医疗中心和技术供应商合作，领导此类倡议。

基于证据的DP劳动力发展模式正在出现。已经探索了由受过培训的实验室技术人员或病理学助理在病理学家监督下进行切片准备、扫描和初步数字分诊的任务转移框架，以扩大合格病理学家的有效覆盖范围。在一些低收入和中等收入国家（LMIC），社区卫生工作者已被培训操作便携式扫描设备，将图像传输给远程病理学家进行解读，有效地将样本采集地点与诊断专业地点分离。在专家层面，也出现了角色演变：病理信息学这一子专业的出现，涵盖了AI工具验证、数字工作流程设计和数据治理方面的专长，这是印度病理学培训项目刚刚开始认识的新职业路径。通过选修轮转、进修项目和行业合作鼓励早期接触这些角色，对于培养大规模DP实施所需的信息化劳动力至关重要。

安全性问题：数据隐私、网络安全和法律合规性。生成高分辨率的组织切片图像意味着将患者的机密数据转换为数字格式。数字数据可以存储在机构拥有的服务器上、第三方服务提供商管理的云服务器中，或以混合形式存储。这引发了关于数据隐私和安全的担忧，以及保护患者隐私的道德责任。2020年，美国医学会报告称，由于未经授权的访问，约2900万患者的数据被泄露，凸显了数据安全的重大挑战。分散存储和交易验证有助于维护数据安全。欧洲国家的《通用数据保护条例》提供了全面的框架，特别是在维护透明度和保护个人权利方面。2023年的《数字个人数据保护法》是印度保护个人数字数据的重要法律，重点关注同意、透明度和处理数据的实体（数据受托人）的责任。2025年发布的《DPDP规则》使关键条款生效，这一步骤有助于保护患者数据、解决安全问题并建立从业者的信心。

除了数据保护立法外，还有几个印度监管和政策框架与DP的采用相关。2020年由印度医学委员会理事会和NITI Aayog联合发布的《远程医疗实践指南》为远程医疗咨询提供了基础框架，包括远程病理报告。2017年的《医疗器械规则》（2020年修订）管理被归类为医疗器械的基于AI的诊断软件，中央药品标准控制组织也开始发布关于软件作为医疗器械的指导。ABDM进一步建立了联邦数字健康基础设施，原则上可以支持跨机构的DP数据交换。将DP实施与这些框架对齐对于确保监管合规性和建立机构和患者对数字诊断服务的信心至关重要。

从认证的角度来看，寻求印度国家测试和校准实验室认证的实验室需要证明任何新诊断方法（包括基于WSI的报告）的分析有效性。这需要正式的共识研究，比较数字和玻璃切片诊断的结果，记录数字工作流程的标准操作程序，并进行持续的内部质量保证措施。随着DP采用的增加，为DP制定特定于印度的认证指南（类似于美国病理学家学院或皇家病理学家学院发布的指南）将成为国家专业机构和监管机构的重要优先事项。

此外，知情同意使患者能够控制自己的医疗信息并做出明智的决定。患者必须了解其医疗信息被数字分析或用于AI驱动的诊断所带来的影响。另一个伦理问题是数据偏见导致的不公平，这源于缺乏使用多种族群体的数据来开发AI算法。为了解决这个问题，应该采用公平表示学习方法，在多样化的数据集上训练算法以减少偏见。此外，具有AI研究专长的独立伦理委员会对于监督AI开发和确保透明度和问责制至关重要。

尽管出现了多个监管和政策框架，但印度在AI驱动的诊断工具的分类、验证和批准路径方面仍存在显著不确定性。与FDA或CE标志等成熟系统不同，印度目前缺乏明确的、针对病理学的监管流程。这种不确定性可能会延迟临床采用，限制机构投资，并为技术开发者创造障碍。通过专门的国家级指南和标准化验证协议来解决这些差距，对于安全可靠地整合DP和AI到常规临床实践中至关重要。

算法生成的报告依赖于用于训练ML模型的数据集的质量。创建大型、高质量的临床数据集至关重要。由于缺乏对本地患者数据的培训和高质量数据集的可用性，印度AI生成的结果面临挑战。先进的ML模型和创新算法可以提高AI建议的数据准确性和可靠性。在印度患者中进行的前瞻性、随机、多中心试验可以提高基于AI的诊断和治疗建议的可靠性。通过机构间的合作可以解决印度特定人群的数据缺乏问题，从而创建用于训练大型模型的数据集。例如，Cancer Imaging Archive是一个公开可访问的存储库，提供了高质量、精心策划的影像数据集，以支持癌症研究。95 一项涉及研究中心、医院和教育机构的印度合作项目促成了India Pathology Dataset的创建。96 尽管这个数据平台仍处于起步阶段，但它为印度未来在数据病理学（DP）和人工智能（AI）领域的发展和普及奠定了基础。此外，类似的癌症影像生物库合作项目正在进行中，这些项目可以使研究更加贴近印度患者的需求。50, 97 尽管有越来越多的证据支持在印度采用数据病理学技术，但仍然存在一些关键障碍，阻碍了其广泛和公平的实施。一个主要挑战是缺乏针对基于AI的诊断工具的明确、特定于病理学的监管和验证框架。目前的监管路径仍然分散且不完善，缺乏类似于美国FDA或CE标志这样的印度特定体系，从而在计算诊断的分类、临床验证和批准方面造成了不确定性。这种模糊性可能会延迟临床应用，限制机构投资，并阻碍技术开发者之间的创新。此外，特定于情境的成本效益数据非常稀缺，特别是在样本量小或资源有限的条件下，数据病理学技术的采用何时能够达到收支平衡点也尚未明确。对于训练和外部验证AI模型至关重要的大规模、具有代表性的人口统计特征的印度病理数据集的开发仍处于起步阶段，这引发了关于其普遍适用性和潜在偏差的担忧。此外，在基础设施限制最为明显的二级和三级医疗环境中，数据病理学的最佳实施模式尚未通过系统的试点评估来确定。通过制定标准化的国家指南、强大的验证框架、有针对性的健康经济分析以及协调的多机构努力来解决这些挑战，对于促进数据病理学和AI在印度常规病理实践中的安全、可扩展和适应当地情况的整合至关重要。

结论：将数据病理学和AI整合到印度医疗生态系统中，为提高诊断准确性、缩短检测时间（TATs）以及扩大专科服务的公平获取提供了变革性的途径，特别是在服务不足的地区。然而，要实现这一潜力，需要针对持续存在的障碍（包括基础设施限制、高资本投入、劳动力准备情况以及不断变化的监管环境）采取协调和有结构的应对措施。为了加速采用，有三个优先行动：(i) 在不同医疗层级实施分阶段的试点项目，并进行强有力的本地验证，以生成特定于情境的证据并降低扩大规模的风险；(ii) 制定针对数据病理学和AI支持的诊断技术的全国统一监管和认证框架，以确保标准化、安全性和信任度；(iii) 有针对性地投资于劳动力培训和数字基础设施，特别是在二级和三级地区，以实现公平和可扩展的部署。将这些努力纳入病理学培训课程和继续医学教育中，将进一步支持技术熟练度和临床对AI作为辅助工具的接受度。实现可持续的、全系统的整合将取决于通过协调的公私合作伙伴关系（PPP）和国家数字健康倡议来协调这些优先事项，以支持融资、基础设施扩展和大规模实施。同时，积极参与数据治理、远程医疗和基于AI的医疗设备等不断发展的框架至关重要，同时还需要开发高质量、带有注释的、具有印度代表性的数据集，以确保AI模型的有效性和普遍适用性。未来的研究必须优先考虑实际应用研究和成本效益分析，以弥合可行性与常规临床应用之间的差距。总体而言，持续的多利益相关者合作对于实现从早期采用到全国范围整合的逐步但加速的过渡至关重要，最终将提高印度诊断服务的质量、效率和公平性。

关于手稿中生成式AI和AI辅助技术的声明：在准备这项工作时，作者使用了ChatGPT生成的图像来制作图1和图2作为示例。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

资金：本研究未从公共、商业或非营利部门的任何资助机构获得特定资助。