CHIEF 癌症 AI 展现广泛病理学潜力，但医院应用仍未获证实

CHIEF 因一项涉及 32 种癌症类型和医院已在使用的图像的吸睛说法，再次登上 Google News。其背后的研究颇具分量，但这种表述混淆了三项不同事实。

该模型分析的是常规病理切片，也就是医院本就会生成的那类组织图像。研究人员利用 32 个独立数据集对其进行了评估。然而，已发表的研究描述的是其在 19 种癌症类型上的测试，而非对 32 种不同肿瘤类型进行临床预测。

这一区别改变了故事的含义。CHIEF 是一款能力广泛的研究型基础模型，而不是已被普遍部署的诊断系统。它的价值在于，能够利用标准组织切片完成多项预测任务。当回顾性研究结果被视为常规患者诊疗的授权依据时，它的局限性也就显现出来。

因此，真正的较量并不是 AI 与病理学家之间的竞争，而是广泛的实验室表现与可靠临床应用所需的更严格证据之间的差距。这一差距涵盖监管、本地验证、工作流程整合、人口统计学代表性，以及预测能够改善患者结局的证明。

CHIEF 癌症 AI 实际做了什么

CHIEF 将小块组织区域的信息与整张病理切片的更广泛背景相结合。

CHIEF 是 Clinical Histopathology Imaging Evaluation Foundation 的缩写。由哈佛医学院领导的研究团队将其开发为一款面向计算病理学的通用基础模型。

基础模型会先从大型数据集中学习可复用的模式，随后由专业人员将其适配到特定任务中。在病理学领域，这些任务可包括检测肿瘤、评估预后，或预测分子特征。

团队首先使用 1,500 万张未标注图像区域训练 CHIEF。随后，模型又利用约 6 万张来自 19 个解剖部位的全切片图像接受额外训练。

全切片图像是装载在玻璃切片上的组织的高分辨率数字副本。每张图像可能包含数十亿像素，因此模型通常会将其划分为更小的图块进行处理。

CHIEF 在使用这些局部图块的同时，保留了它们在更大切片中的位置信息。这样的设计有助于它将细胞层面的细节与周围组织结构关联起来。

经同行评审的 Nature 研究 评估了多项应用，而不是一项通用癌症检测。相关应用包括检测恶性组织、识别肿瘤来源、评估生存风险，以及预测部分分子特征。

研究人员在超过 19,400 张全切片图像上测试了该模型。这些图像来自与 24 家医院或患者队列相关的 32 个独立数据集。

这正是流传中的标题容易造成误导之处。数字 32 指的是评估数据集，并不能证明 CHIEF 已在真实医院工作流程中独立诊断了 32 种肿瘤类型。

研究报告称，在涵盖 11 种癌症类型的 15 个数据集中，CHIEF 的癌症检测准确率接近 94%。在涉及食管癌、胃癌、结直肠癌和前列腺癌的五个活检数据集中，准确率达到 96%。

CHIEF 在此前未见的、涉及结直肠、肺、乳腺、子宫内膜和宫颈肿瘤的手术样本上也实现了超过 90% 的准确率。这些是回顾性实验结果，并非普遍适用的性能保证。

准确率本身也掩盖了重要细节。具有临床实用价值的系统必须控制每个目标人群中的假阴性、假阳性和校准表现，并且在疾病患病率变化时保持一致表现。

该模型将分子预测作为独立问题处理。它分析了与突变、基因组特征和潜在治疗反应相关的可视化组织模式。

据研究团队介绍，CHIEF 对 54 个癌症中常见改变基因的突变预测总体准确率超过 70%。其表现因基因和癌症类型而存在显著差异。

这种差异很重要。模型可能在某一种肿瘤中的某一突变上表现良好，却仍不适用于另一种组合。“癌症预测”这一说法将这些不同任务压缩成一项听起来比证据所支持的更为一致的主张。

更稳妥的描述应当更为具体：CHIEF 是一款多功能病理研究模型，能够从跨多个外部数据集的数字化组织切片中提取若干具有临床相关性的信号。

为什么 Google News 让这一说法显得更新、更广泛

当前 Google News 的表述重新包装了一项较早的研究结果，并将数据集、癌症类型和可用于医院的图像合并成一项说法。

原始 CHIEF 论文于 2024 年 9 月 4 日发表在 Nature 上。哈佛医学院也在同日发布了详细介绍。

一则在 2026 年重新出现的标题，并不代表新近宣布了医院部署。它可能反映的是再刊、联合发布、聚合分发，或对早期研究的重新报道。

Google News 通常会呈现发布者的标题，而不会附带原始论文中的方法学背景。这一过程有助于发现信息，但也可能将相关事实转化为暗示性的临床主张。

第一项事实是，CHIEF 使用 32 个独立数据集进行了评估。第二项是，这些数据集来自医院和患者队列。第三项是，CHIEF 读取的是标准组织病理图像。

如果不加谨慎地组合，这些事实就会变成“利用医院已在使用的图像预测 32 种肿瘤类型”。已发表记录支持的是更具限定性的解读。

哈佛研究摘要 称，该模型使用来自 19 个解剖部位的组织进行训练，同时也称研究人员在 32 个独立数据集上测试了 CHIEF。

这些并不是可以互换的单位。一个数据集可能包含一种癌症类型、若干亚组、多个采集地点，或某一特定预测目标。

“医院已在使用的图像”这一表述同样需要谨慎对待。医院长期以来一直使用苏木精和伊红染色的组织切片，即通常所称的 H&E 切片，进行显微镜检查。

CHIEF 可以分析这类熟悉材料的数字化版本。它不需要为该模型专门开发一种全新的成像方式或实验性扫描仪。

这种兼容性具有意义。已经对病理切片进行扫描的医院，比仅依赖玻璃切片显微镜检查的医院拥有更相关的基础设施。

不过，使用熟悉的输入材料并不意味着该模型本身已经成为常规诊疗的一部分。通用数据格式可以降低采用门槛，但并不能解决临床验证或监管要求。

这一区别对患者尤为重要。能够识别与某种突变相关图像模式的研究模型，并不能替代经过验证的分子检测。

它最终或许能够帮助确定病例优先级、标记可疑区域，或指导进一步检测。这些应用都需要明确界定预期用途。

关键词 “google news” 也暴露了文章简报中的一个弱点。它描述的是信息发现渠道，而不是读者真正希望理解的科学主题。

搜索这一事件的人，更可能希望了解 CHIEF、病理学基础模型或 AI 癌症诊断。反复提及 Google News 无法增强医学证据。

因此，聚合层应当处于次要位置。更持久的故事在于该研究的架构、外部评估，以及尚未明确的临床应用路径。

关键进展在于复用常规病理切片

CHIEF 最有力的主张并不是对每一种癌症进行自动诊断，而是从实验室已在检查的组织中提取更多信息。

病理学家使用 H&E 染色来呈现细胞及周围组织的结构。苏木精会为细胞核着色，而伊红会突出蛋白质和其他组织成分。

医生通常可以从这些模式中识别肿瘤的类型和分级。不过，治疗决策日益依赖肉眼未必能够观察到的分子特征。

临床医生可能会安排测序、免疫组化或其他实验室检测，以发现这些特征。不同医疗系统的可及性和周转时间各不相同。

病理模型可以作为筛查层。它或许能估计哪些样本更可能携带相关突变，进而帮助实验室优先安排确证性检测。

据报道，CHIEF 识别出了与 BRAF、EZH2 和 NTRK1 等基因突变相关的视觉信号。研究人员还利用它测试了与免疫治疗反应有关的 DNA 模式。

这些预测仍具有概率性质。它们不会直接揭示分子序列，也无法以与获批检测相同的证据标准确认突变。

该模型还根据诊断时采集的切片评估生存风险。它在来自 17 家机构的样本中区分了高风险和低风险群体。

这一能力反映了计算病理学的更广泛趋势。组织架构能够编码肿瘤侵袭性、免疫活性以及与周围细胞相互作用等信息。

CHIEF 生成热图，以突出影响其预测的区域。审阅这些区域的病理学家发现了涉及免疫细胞、坏死、细胞组织方式和结缔组织的模式。

可解释性功能有助于研究人员调查模型行为，但并不会自动使每一项个体预测在临床上变得可理解。

热图可以显示模型将注意力集中在何处，却不能证明它使用了正确的生物学信号。它也可能突出在实验室方法或患者群体变化时失效的相关特征。

该模型结合局部和整张切片信息的方式，解决了一个真实的技术问题。小型图像图块可以显示异常细胞，却可能缺少解读它们所需的组织背景。

反过来，将整张切片缩减为低分辨率概览，又可能抹去细胞层面的细节。CHIEF 试图同时保留这两个层级。

该研究还测试了通过活检和手术切除获得的样本。研究人员报告称，该模型在不同切片扫描仪和制备条件下仍保持有效。

外部多样性很有价值，因为病理图像会因染色化学、扫描仪硬件、组织处理和实验室实践而变化。这些变化可能导致隐蔽的分布偏移。

其他研究团队也在追求同样的大方向。UNI、Virchow 和 CONCH 等模型从大型病理数据集中学习可复用的表征。

一套名为 PRET 的 2026 年系统采取了不同路线。它没有进行大量任务专属再训练，而是将少量示例切片作为视觉提示。

PRET 评估 涵盖了 23 个国际基准测试，其中包含 4,484 张全切片图像。其作者报告称，该系统在 15 个基准测试上的曲线下面积超过 97%。

曲线下面积衡量模型在不同阈值下将正例排在负例之前的能力。它并不等同于某个选定临床运行点上的准确率。

多种方法并存表明，CHIEF 并非孤例。该领域正从单一用途的癌症分类器，转向能够支持多项任务的适应性模型。

这种转变可以减少构建每个应用所需的数据量。但它也带来了更棘手的治理问题，因为一个预训练模型可以为多个风险不同的产品提供支持。

研究验证并不等于医院部署

医院不能将广泛基准测试中的优异表现视为获准使用 CHIEF 进行患者诊断或治疗选择。

医疗软件面临的要求不同于一般图像识别应用。错误可能延误诊断、引发不必要的操作，或使患者接受不合适的治疗。

首个缺失的步骤是明确预期用途。开发者必须说明谁使用该系统、它接受什么输入、提供什么输出，以及该输出如何影响医疗决策。

“癌症评估”的范围过于宽泛。检测恶性组织、预测突变和估算生存情况，是不同的临床功能。

每项功能都需要各自的性能指标和验收阈值。对于病例优先级排序而言可接受的假阳性率，可能无法用于排除癌症。

第二步是前瞻性评估。CHIEF 报告的测试主要使用了既往收集、且具有已知结果或标签的切片。

回顾性测试可以证明技术前景，但无法完全复现工作负荷、中断情况、罕见病例、疾病患病率变化，或临床医生与软件之间的交互。

前瞻性研究可以衡量病理医生在实际工作中接收模型输出后会发生什么。它可以识别自动化偏见、延迟、分歧及意料之外的工作流程影响。

第三步是本地验证。不同实验室在标本制备、染色、扫描仪、患者群体和报告实践方面均存在差异。

美国病理学家学会表示，图像分析系统在用于患者之前，应针对其预期使用场景进行验证。其验证指南强调相关标本类型和本地验收标准。

医院还需要针对扫描仪故障、组织制备不佳、图像伪影，以及超出模型支持范围的样本建立质量控制措施。

第四步是监管审查。在美国，用于分析病理图像以判断临床意义的软件，可能受到医疗器械监管。

FDA 现行的病理分类涵盖旨在定位或表征全切片图像中可疑区域的算法。这类工具可协助用户作出诊断判断。

监管授权与特定产品及其预期用途相关。在顶尖期刊上发表，并不能替代此类审查。

FDA 维护了一份AI 设备清单，列出已满足适用上市前要求的产品。该机构指出，这份清单仅供参考，并非完全详尽。

CHIEF 论文或哈佛公告中没有证据表明，该研究模型已作为泛癌诊断产品获得广泛授权。

这并不意味着该模型不重要，而是说部署相关的主张应与其有记录可查的开发阶段相匹配。

第五项要求是临床效用。即使预测准确，如果它只是重复一项快速的现有检测，或无法改变诊疗管理，也未必有帮助。

研究人员需要证明，CHIEF 是否能缩短周转时间、提高诊断一致性、扩大服务可及性，或更高效地引导确认性检测。

他们还需要将这些益处与新增成本进行比较。全切片扫描需要硬件、存储、网络、集成、网络安全和技术支持。

输入切片可能已经存在，但其数字版本并非没有成本。大型病理图像可能给基础设施带来压力，尤其是在规模较小的实验室中。

该模型仍面临偏差、漂移和问责问题

CHIEF 的广泛适用性提升了其价值，但也增加了其在基准测试之外性能失效的方式。

该研究汇集了众多机构和癌症队列的数据，这比在单一中心进行测试更有说服力。然而，仅凭数据集数量并不能证明性能公平。

当年龄、性别、种族、族裔、地域、疾病罕见程度和治疗史等变量会影响模型行为时，研究人员必须报告模型在这些维度上的结果。

公开癌症数据集往往存在代表性不均衡的问题。常见肿瘤和资源充足的学术中心可能占据主导，而罕见疾病和医疗服务不足人群得到的覆盖较少。

模型可能学到的是实验室特有的特征，而非疾病生物学。扫描仪色彩配置、组织处理方法和标注规范都可能成为捷径。

外部测试可以降低这一风险，但无法彻底消除。医院需要进行监测，以发现扫描仪、染色流程或患者群体变化后的性能变化。

这种现象被称为模型漂移。当现实世界中的输入偏离开发期间所使用的数据分布时，就会发生模型漂移。

基础模型又带来了另一层复杂性。开发者可以将一个预训练模型适配到许多下游任务，而每项任务使用的数据和阈值都不同。

一个安全的肿瘤检测应用，并不能证明突变预测应用同样安全。共享架构不能替代针对任务的专门验证。

虚假的信心也是一种风险。即使面对不受支持的样本，系统也可能返回看似精确的概率。

临床版本需要具备不确定性处理机制和明确的拒答规则。模型应标记不适合的输入，而不是强行给出预测。

问责机制也必须保持明确。对于病理医生与算法意见不一致的病例，医院需要制定相应政策。

软件供应商、实验室主任、主治医师和医疗系统可能分别掌控工作流程中的不同环节。责任不清可能延误对错误的调查。

更新同样存在问题。开发者可能希望随着新数据到来而改进模型，但权重变化可能改变多项任务的性能。

FDA 的数字健康框架日益将变更管理视为全生命周期问题。开发者需要预先定义测试和记录重大更新的方法。

数据治理同样重要。病理图像包含敏感医疗信息，有时还可能保留与患者相关的标签或元数据。

因此，训练和部署需要建立去标识化、访问、保留、审计和二次使用方面的控制措施。跨境合作还会带来额外的法律要求。

可解释性无法解决所有这些问题。CHIEF 的热力图提供了有用线索，但并未给出完整的因果解释。

模型可能突出显示免疫细胞丰富的区域，因为这些区域在其训练数据中与生存期相关。这种关系在不同治疗方式或采样实践下可能减弱。

人工审查仍然至关重要，尤其是对于不寻常病例。近期最可信的角色是决策支持：帮助病理医生集中注意力，或选择额外检测。

不应因为这一角色看似有限就轻视它。病理实验室需要管理复杂的工作负荷，而可靠的优先级排序工具能够带来实际价值。

不过，证据负担必须与主张相匹配。协助审查需要一套证据；替代分子检测或独立指导治疗，则需要更多得多的证据。

Google News 再度关注后应观察什么

三个信号将显示 CHIEF 是否正从令人印象深刻的研究走向可靠的临床基础设施。

第一个信号是采用预定义临床工作流程的前瞻性多中心研究。研究人员应在新收病例上测试模型，而非仅使用归档切片。

该研究应披露运行阈值、假阴性率、亚组表现，以及系统拒绝作答的频率。

它还应比较使用 CHIEF 的病理医生与未使用 CHIEF 的病理医生。这将揭示模型是否改善了决策，而不是仅仅复现标签。

积极的前瞻性结果将强化 CHIEF 能够在临床压力下泛化的论据。结果若较弱或高度不稳定，则会缩小开发者能够负责任地提出的主张范围。

第二个信号是基于该研究提交的明确监管申请，或由此开发出的获授权产品。其预期用途应明确支持的癌症类型、预测任务、扫描仪要求和用户群体。

获得病例优先级排序授权，并不意味着生存预测或突变筛查也得到验证。读者应审视具体适应症，而不是模型的通用品牌名称。

第三个信号是具有持续质量监测的本地部署证据。医院应说明其如何验证性能、调查分歧并检测漂移。

有价值的采用数据包括周转时间、确认性检测率、病理医生工作负荷、诊断一致性，以及在不同患者群体中的表现。

这些信号比又一项广泛基准测试更重要。计算病理学领域已经有许多在经过筛选的回顾性数据集上表现良好的模型。

更难实现的目标，是构建一个能在不同实验室、技术人员、扫描仪、罕见病例和不断变化的临床实践中始终保持可靠的系统。

对于开发者而言，CHIEF 研究展示了结合细粒度组织区域与全切片上下文的价值。它也说明了可复用医疗模型为何需要收窄下游主张。

对于医院采购方而言，教训是要区分基础设施兼容性与临床就绪度。现有 H&E 切片降低了输入摩擦，但并未免除验证义务。

对于患者而言，关键点很简单：CHIEF 尚未消除对病理医生、确认性分子检测或受监管临床工作流程的需求。

Google News 可以让有价值的医学研究重新进入公众视野，但也可能抹去决定一项技术究竟是有前景、已验证、获授权，还是已常规部署的关键区别。

当下一条标题声称一个模型能通过医院图像预测数十种癌症时，请问三个问题：这个数字指的是肿瘤类型还是数据集？研究是回顾性还是前瞻性？该系统是否已获准用于所声称的临床用途？

这些问题比标题中的规模更能衡量进展。它们也让人们继续关注最重要的结果：AI 是否帮助临床医生为真实患者作出更安全、更快速、更公平的决策。