CRISP：术中病理AI基础模型，3000名患者前瞻验证支持九成手术决策

核心要点

• 问题：术中冰冻切片（frozen section）是外科手术的关键决策依据，但判读难、时间紧，且缺乏大规模前瞻验证的计算病理模型。
• 方法：CRISP（Clinically-oriented Robust Intraoperative Support for Pathology）是基于 10 家医疗中心超 10 万张冰冻切片训练的视觉病理基础模型，回顾性评估覆盖 98 项术中诊断任务。
• 结果：在 3064 名患者的前瞻队列中，CRISP 在 92.6% 的病例里直接支持手术决策；人机协作使诊断工作量下降 35%，并避免 105 项辅助检查，淋巴结微转移检测准确率 87.5%。
• 意义：这是少有的把计算病理推进到「术中实时工作流」并做前瞻验证的研究，但前瞻部分为观察性设计，尚不能证明改善患者结局。
• 原文：A clinically-oriented foundation model for intraoperative pathology，Nature Medicine，2026-09-10

1. 术中冰冻切片的临床挑战

手术正在进行，患者仍躺在手术台上，外科医生却面临一个必须立刻回答的问题：切下来的这块组织，到底有没有切干净、是不是恶性？这就是术中冰冻切片诊断（intraoperative frozen section）——病理医生要在几十分钟内，把新鲜组织快速制片、判读，再把这个结论传回手术室，直接决定下一刀怎么下。

这套流程的临床价值极高，却长期被三个难题卡住。第一是「时间紧、压力大」，病理医生要在极短时间内做出关系到切除范围甚至器官去留的判断。第二是「数据稀缺」，冰冻切片在制片上存在挤压、冰晶、染色不均等伪影，与常规石蜡切片（formalin-fixed paraffin-embedded, FFPE）差异很大，而绝大多数计算病理模型都是用 FFPE 数据训练的，直接搬到术中场景常常失灵。第三是「缺少前瞻证据」，计算病理虽在回顾性基准上屡创新高，却罕有研究证明它能在真实手术工作流里站得住脚。

2. CRISP 的核心创新

研究由香港科技大学 Hao Chen 团队与中山大学肿瘤防治中心 Muyan Cai 团队等合作完成，共同第一作者为 Zihan Zhao、Fengtao Zhou、Ronggang Li，发表在 Nature Medicine 上。创新集中在三点。

第一，专为冰冻切片做预训练。过去的基础模型几乎都以 FFPE 石蜡切片为主，遇到冰冻切片的伪影就掉链子。CRISP 反其道而行，只在冰冻切片及其术中标签上训练，让模型学会的正是手术室里真实出现的形态学特征，从源头对齐了「术中」这一场景。

第二，把验证规模做到「近 100 项任务」。团队在超过 1.5 万张术中切片上，覆盖 98 项回顾性诊断任务——包括良恶性鉴别、关键术中决策、泛癌种检测等，跨 6 家机构、14 种肿瘤类型、24 个解剖部位，甚至包括训练时未见过的部位和罕见癌种。

第三，补上了计算病理最缺的前瞻验证。研究开展了一项注册的前瞻观察性队列，纳入 3064 名连续患者，在真实手术时间与制片约束下让 CRISP 与病理医生并肩工作，直接回答「它到底能不能在手术流程里用起来」。

3. 技术原理：用冰冻切片预训练对齐术中工作流

CRISP 的技术链路可以概括为「冰冻切片预训练 → 跨任务表征 → 术中辅助」。第一阶段，团队汇总 10 家医疗中心超过 10 万张冰冻切片，让模型在海量、多样、带伪影的术中图像上学习通用形态学表征，而非依赖单一机构数据。第二阶段，这个统一表征被复用到 98 项下游任务上，通过零样本式的特征复用和少量监督适配，覆盖良恶性、切缘、泛癌检测等不同问题。

第三阶段，模型进入真实手术工作流，以「筛查 + 引导」的方式辅助病理医生：先由 CRISP 快速筛出需要重点复核的区域，把医生注意力引向可疑部位，再由病理医生做出最终诊断并保留责任。这种设计把模型定位为「加速器」而非「判读替代者」，与常规病理基础模型（如 PRISM2 多模态病理基础模型）聚焦离线诊断形成互补。

4. 数据说话：92.6% 病例直接支持手术决策

前瞻队列的 3064 名患者覆盖甲状腺、乳腺与中枢神经系统三类术中病理，结果可归纳为三组关键数据。

值得注意的一条是「分诊 + 复核」的效果：在模型辅助分诊工作流里，被保留复核的病例仍覆盖 79.0% 的阳性病例，同时病理医生的诊断工作量下降约 35%。也就是说，模型不是简单地把可疑病例「甩」给医生，而是在不显著漏掉阳性的前提下，把人力集中到真正需要的地方。需要强调，92.6% 是「支持手术决策」的比例，而非独立诊断准确率，且这些数字来自观察性设计，反映的是模型在真实流程中的可用性，而非随机对照下的结局改善。

5. 从实验室到临床：应用前景与局限

这项研究的价值在于把「术中病理 AI」从回顾性基准推进到了真实手术流程，可能为肿瘤外科的切缘评估、前哨淋巴结判读等时间敏感场景提供一种减负工具，与前列腺癌活检 AI 的落地经验形成呼应。但要冷静看待几点局限。

其一，前瞻部分是观察性而非干预性研究，它证明的是「模型在真实流程中可用、能减轻工作量」，并不能证明「使用 CRISP 能改善患者的最终结局」，后者仍需要前瞻性临床试验或随机对照设计来回答。其二，罕见癌种与细微病变仍然是难点，少数类别的病例少、判读标准特殊，单一通用模型并不能解决这类稀缺问题。其三，部署门槛不低——术中应用要求手术室具备数字化切片能力与足够的计算基础设施，这并非每家医院都能立刻满足。此外，模型的泛化还需在更多地区、扫描设备与机构工作流中进一步检验。

6. 结论与产业启示

这项发表于 Nature Medicine 的研究给出一个清晰信号：计算病理要真正进入手术室，关键在于「对齐场景」——用术中真实数据训练、在术中真实流程里验证，而不是把石蜡切片的模型硬搬过来。CRISP 的 92.6% 手术决策支持率、35% 减负与 87.5% 微转移准确率，共同构成了一份「术中 AI 可用性」的阶段性证据。

对医疗 AI 企业有三点建议：一是面向时间敏感场景，把「减负 + 引导复核」作为产品定位，而非宣称替代病理医生；二是重视前瞻观察性验证，哪怕不能立刻做随机对照，也要先在真实工作流里证明可用性；三是把部署条件（数字化切片、算力、机构适配）纳入产品设计，避免「模型很强、落不了地」。这也正是思陌智能科研服务持续投入的方向：面向医学影像分析与临床决策支持，提供从数据治理、模型开发、可解释性设计到真实世界评估的完整科研服务，协助团队把术中病理 AI 从论文原型推进到可落地、可评价的临床工具。

相关问题

Q：术中病理 AI 现在能独立做诊断了吗？

A：不能。CRISP 的定位是「筛查 + 引导复核」，92.6% 是支持手术决策的比例而非独立诊断准确率，最终诊断责任仍由病理医生承担。研究本身也强调模型应作为决策支持与分诊工具，而非自主诊断。

Q：这项研究能证明用 AI 能改善手术患者结局吗？

A：不能。前瞻部分是观察性设计，证明的是模型在真实流程中的可用性与减负能力，并未通过随机对照证明患者结局的改善。要得出「改善结局」的结论，还需要前瞻性临床试验。

Q：国内医院要部署这类术中病理 AI，门槛高吗？

A：门槛不低。术中应用需要手术室具备数字化切片能力与足够的计算基础设施，且模型还需在本地机构工作流与扫描设备上进一步适配验证。这是工程与验证并重的工作，而非简单接入一个模型即可。

参考文献

1. Zhao Z, Zhou F, Li R, et al. A clinically-oriented foundation model for intraoperative pathology. Nature Medicine. 2026. DOI: 10.1038/s41591-026-04703-0
2. Vorontsov E, Shaikovski G, Casson A, et al. End-to-end multimodal pathology foundation model with clinical dialogue. Nature Medicine. 2026. DOI: 10.1038/s41591-026-04521-4

本文基于 A clinically-oriented foundation model for intraoperative pathology 的独立解读，仅供学术交流，不构成临床建议。