1. 数字病理AI工程全景
数字病理AI工程并不是“训练一个模型”这么简单。它是一条从玻璃切片出发、最终抵达临床报告的完整工程链路：物理切片被扫描成全切片图像（Whole Slide Image, WSI），WSI 经过质量控制和预处理变成可计算的数据资产，再经过标注、训练、验证、部署，最终以辅助诊断或分诊的形式进入病理科工作流。理解这条链路的全貌，是后续所有工程决策的前提——因为链路上任何一环的偏差，都会在终点被放大成临床风险。
本节先建立一张“全景地图”：链路上有哪些阶段、每个阶段的关键角色是谁、每个阶段必须交付什么产物、以及这些产物如何被下一环消费。掌握这张地图后，读者在后续章节中遇到具体技术细节时，就能清楚自己正站在链路的哪个位置、上下游对自己的要求是什么。
一、链路总览：六个阶段与三类角色
从工程视角，这条链路可以划分为六个阶段：扫描与成像、数据治理与预处理、标注与参考标准、模型开发与训练、验证与确认、部署与临床监测。每个阶段都有明确的输入、输出和责任人。
参与其中的角色大致分为三类。临床与病理角色包括病理医师、技师和临床科室，他们定义临床问题、提供切片、给出金标准标注、并在验证阶段提供临床判断。工程与算法角色包括算法工程师、数据工程师和 MLOps 工程师，负责把 WSI 变成可训练的数据、把模型训练出来并稳定运行。质量与合规角色包括质量负责人、法规事务和验证负责人，负责确保整条链路满足监管与质量体系要求。三类角色不是串行接力，而是在每个阶段都有交叠。
需要特别强调的是：交付物是链路的“接口”。上一阶段的交付物就是下一阶段的输入，交付物的质量直接决定下游能否开工。例如，如果扫描阶段交付的 WSI 存在对焦模糊或色彩偏移，标注阶段就无法给出可靠的金标准，训练阶段再强的模型也无法弥补。
二、各阶段的核心交付物
下面按阶段说明关键交付物，这些是工程管理中真正需要被追踪和验收的对象。
- 扫描与成像阶段：交付 WSI 文件（如 .svs、.ndpi 等格式）、扫描元数据（放大倍率、扫描仪型号、像素物理尺寸 μm/pixel）、以及扫描质量记录。像素物理尺寸是后续所有空间计算的基准，必须随文件一起交付。
- 数据治理与预处理阶段：交付组织区域掩膜（tissue mask）、切片级质量分级结果、以及切片清单（manifest）。清单通常包含切片 ID、患者/病例编号的脱敏映射、标签、数据划分（训练/验证/测试）等字段。
- 标注与参考标准阶段：交付标注文件（如区域多边形、点标注或切片级标签）、标注规范文档、以及标注一致性报告（如多位病理医师之间的 Kappa 一致性）。
- 模型开发与训练阶段：交付模型权重、训练配置、训练日志、以及模型卡（model card），记录模型用途、训练数据范围、已知局限。
- 验证与确认阶段：交付验证方案、测试集评估报告（含敏感度、特异度、AUC 等指标及置信区间）、以及临床验证结论。
- 部署与临床监测阶段：交付部署配置、推理服务接口、监测看板，以及漂移与异常告警记录。
这些交付物之间不是孤立的。例如，标注规范文档会直接影响模型卡中“适用范围”的表述；扫描质量记录会影响验证阶段对失败案例的归因。工程上常用“可追溯性矩阵”把临床需求、数据、模型、验证结果串起来，确保每个结论都能回溯到具体数据与操作。
三、关键工程决策点
在全景层面，有三个决策点最容易影响项目成败。
第一，临床问题的定义粒度。是“切片级分类”（如癌/非癌）还是“区域级检测”（如肿瘤区域勾画）？前者对标注要求较低，后者需要像素级或区域级标注，成本高得多。定义不清会导致标注返工和验证指标无法对齐临床需求。
第二，数据划分策略。必须按患者或病例划分，而不是按切片随机划分。同一患者的多个切片若同时出现在训练集和测试集，会造成数据泄漏，使测试指标虚高。这是数字病理AI中最常见也最致命的错误之一。
第三，验证的终点定义。是“模型在测试集上的指标达标”，还是“在真实临床工作流中不降低诊断质量”？前者是技术验证，后者是临床验证。两者都需要，但后者才是监管和临床采纳的依据。
四、全景链路示意图
下图把上述六个阶段、关键角色和核心交付物组织成一张数据流与责任关系图。图中横向表示数据与产物的流动方向，纵向标注了每个阶段的主要责任角色，底部标出贯穿全程的质量与合规约束。
五、从全景到落地：工程管理的三个抓手
有了全景图，工程管理可以聚焦三个抓手。
抓手一：交付物验收。每个阶段结束时，对照交付物清单逐项验收。例如扫描阶段验收时，除了确认 WSI 文件可打开，还要抽查对焦质量、色彩一致性和元数据完整性。验收不通过的切片应进入返工或排除流程，而不是带着问题流入下游。
抓手二：可追溯性。建立从临床需求到验证结论的追溯链。一个实用的做法是给每个病例分配唯一 ID，在清单中记录其数据划分、标注版本、模型版本和验证结果。当验证阶段发现某类病例表现异常时，可以快速回溯到具体切片和标注。
抓手三：版本控制。数据、标注、模型、配置都要有版本号。数字病理项目周期长，标注规范可能中途修订，模型可能多次迭代。没有版本控制，就无法复现任何一次验证结果，也无法向监管说明变更影响。