人工智能（AI）技术的进步，加上资本的加持，推动着数智病理诊断快速发展。我也为此做了一些研究，写了一组短文（参见此前连续8篇博文），进行阐述与讨论，其中也含蓄透露了对数智病理诊断的隐忧。近日看到“爱学习的小懒猫”的一篇关于“AI病理诊断的假阳性陷阱”的大作，很有同感，于是决定再借题发挥一下，提醒病理同仁警惕数智病理诊断的若干陷阱与误区，既不要盲目信任数智病理诊断的科学性，也不要降低病理诊断的责任心。一定要守住病理诊断的底线，把病理诊断的基本功（读片、分析、判断、书写）练扎实，让数智病理诊断成为得力助手和工具，做好病理诊断工作。

 数智病理诊断可以出现假阳性，导致误诊（过度诊断），也可能出现假阴性（低诊或漏诊），引起临床风险。虽然AI可以使阅片效率提升30%，但假阳性和假阴性问题也在逐渐暴露。如某三甲医院多中心研究显示，AI辅助宫颈细胞学筛查的假阳性率约5%-8%，甲状腺细针穿刺诊断中甚至高达12%。而《2025年AI辅助诊断研究报告》更明确指出，不同病种AI病理诊断的假阳性率差异显著，肺癌领域部分CE-IVD认证产品的假阳性警报（FPA）数可达平均每片48.2个。这些“误诊”不仅可能导致患者过度治疗、引发医疗纠纷，更会消耗病理医生的精力与信任。为此必须使用合格的数智诊断程序，对于对于数智病理诊断的结果必须进行人工复核。

 “爱学习的小懒猫”指出：AI的假阳性并非随机失误，而是源于数据训练、技术特性与临床场景的多重矛盾，并总结了以下4类最为常见误区，且均有明确数据佐证。这4个误区分别是：①数据漂移导致的“经验脱节”——把罕见样本当病变，②形态相似导致的“张冠李戴”——炎症/修复组织被误判为肿瘤，③技术干扰导致的“伪影误判”——设备噪声被当成病变，④样本偏差导致的“群体歧视”——特定人群样本误判率飙升。作者相应提出避坑指南的4个步骤：①核对“临床语境”——AI不会的“病史关联”，②细究“形态细节”——用“金标准”推翻AI误判，③追溯“AI逻辑”——用可解释性工具找漏洞，④坚守“质控流程”——从制度上降低误判风险。有兴趣的同仁可以研读一下原文。

 北京大学肿瘤医院薛卫成教授强调，病理诊断的核心是“人”，AI始终是辅助工具而非替代者。“AI的假阳性不可怕，可怕的是医生对AI的盲目信任。”笔者深表赞同。笔者也曾指出：数智病理诊断应当不止是数字图像分析，还应当结合临床病史、影像学和实验室检查（包括分子检测），实行多模态数据融合，以减少单纯图像分析的局限性。最好由病理学会牵头制定AI病理诊断的性能指标（如特异度、敏感性等）与验证流程，审定一批适用的诊断程序，推动数智病理诊断的稳步发展。

本文允许在互联网范围内转载，使用时请注明作者姓名、作品名称及作品来源。