2026年09月07日
2026年09月17日
2026年10月30日
在医学界，病理医生常被称为“医生的医生”。每一份病理诊断报告的背后，都是他们在显微镜下，从成千上万个细胞中反复甄别、精准判断的结果。
然而，我国病理医生长期存在较大缺口，优质医疗资源又高度集中于大城市。在基层和偏远地区，受限于专家匮乏，精准诊断与用药面临现实挑战。
在西交利物浦大学（以下简称“西浦”）人工智能与先进计算学院，刘净心副教授正尝试用人工智能为病理图像打造一套“通用语言”，以弥补基层病理诊断的关键短板。
刘净心副教授
近日，由刘净心博士主持的国家自然科学基金项目——“基于自监督学习的病理图像域泛化研究”顺利结题。
项目以数字病理图像为研究对象，从实际算法应用角度出发，研究具有域泛化性的病理辅助诊断算法: 通过双重先验知识生成连续域图像集；针对病理图像特点，设计针对病理图像的自监督学习任务模型；最终构建一个热插拔域泛化模块的病理辅助诊断模型用于病理图像的分割与分类。该研究的成功实施不仅有助于推动计算机辅助诊断在病理检查中的应用，还能进一步提高疾病诊断效率，进而推动医疗发展。
病理诊断是公认的疾病诊断“金标准”。在临床诊断中，医生需通过染色组织切片判断肿瘤细胞分布，并测算阳性细胞与阴性细胞的占比，结果直接影响用药决策。
传统诊断往往依赖经验判断，例如“约20%”“接近30%”等区间估计。“而人工智能的引入，使经验判断走向精准量化。计算机可以逐像素分析图像，给出如‘23.5%’这样的具体数值。 看似细微的差异，往往会影响临床决策的精度。”刘净心说。
但真正的难点，并不在于让计算机看懂一张图，而在于在不同环境下都能看懂。类似于使用不同品牌相机拍摄同一景物，即便色彩风格存在差异，人眼依旧可以辨别出是同一个地方。但对于追求精确数值的算法来说，这类差异会导致结果偏差。
在数字病理领域，这一现象被称为“域偏移”。不同医院在制片流程、染色试剂、扫描设备等方面存在差异，导致图像在色彩、纹理和清晰度上产生变化。结果是：在A医院训练出的高精度细胞识别算法，移植到B医院后，准确率可能大幅下降。
“如果一套算法无法跨医院、跨设备稳定工作，就意味着每落地一家医院都需要重新训练调试。“刘净心指出，这正是制约病理AI规模化应用的核心难题。
围绕“域偏移”问题，刘净心团队形成了一条清晰的技术路线：赋予模型跨医院、跨设备、甚至跨器官的泛化能力。
2024年，团队联合上海交通大学附属瑞金医院、深圳大学大数据系统计算技术国家工程实验室、广西医科大学以及上海衡道病理诊断中心发起COSAS（跨器官跨扫描仪腺癌分割挑战赛），作为MICCAI 2024（国际医学图像计算与计算机辅助介入会议）的卫星活动。项目构建了一个覆盖6类器官、6种扫描设备的跨域病理图像基准数据集，并配以专家精细标注。这一数据集不仅为算法训练提供了更复杂、真实的场景，也揭示了不同模型的性能差异：传统分割网络在域内数据上更准确，而基础模型在未知环境中更稳定。
在方法层面，团队的重要突破之一是对“域偏移”的拆解。他们提出差异不仅来自染色，还源于图像质量。基于此，研究通过染色分解与质量建模，构建连续变化的图像空间，让模型在多样化条件下进行训练。
进一步地，团队赋予模型“动态适应”能力。当进入一个新环境时，算法可以通过风格迁移自动调整自身，使不同来源的数据在同一“风格空间”中被理解。同时，引入视觉与语言结合的方法，用语义信息帮助模型理解图像内容，从而在面对陌生数据时依然保持稳定表现。
刘净心的学术轨迹从信号处理研究起步，直到博士阶段才进入医学图像领域。为攻克跨学科难题，他主动走进医院，跟随病理医生学习切片、理解诊断逻辑。在他看来，脱离医学场景的算法再先进，也难以解决临床痛点。
2015年前后，医学影像与人工智能的研究热点主要集中在CT、MRI等宏观成像领域，病理图像分析仍属小众方向。 “当时投稿都很困难，很难找到合适的期刊或会议。”他回忆道。
近年来，数字病理迅速升温，成为医学人工智能的重要前沿之一。面对竞争日益激烈的研究环境，刘净心始终保持理性判断：不追逐最前沿的“炫技”，而是聚焦真正影响落地的问题，比如算法的稳定性、可迁移性，以及在真实医疗场景中的可用性。
目前，他和团队正尝试将研究成果转化为实际产品，与药企合作开发用于免疫组化分析的智能系统，并计划推出更加成熟的软件工具，服务临床医生。 “人工智能无法替代医生，而是为医生提供更可靠的信息支持，帮助其做出更科学的决策。” 刘净心强调。
从冷门赛道的坚守，到热门领域的理性探索；从实验室算法研究，到药企产业化落地尝试，刘净心用十年轨迹勾勒出医工交叉研究的清晰路径：始终以临床需求为导向，让前沿技术真正服务于医疗健康事业。
撰稿：科研管理办公室
2026年05月08日
欢迎关注“西浦科研”公众号，阅读更多“学者视界”系列内容及科研相关资讯。
在医学界，病理医生常被称为“医生的医生”。每一份病理诊断报告的背后，都是他们在显微镜下，从成千上万个细胞中反复甄别、精准判断的结果。
然而，我国病理医生长期存在较大缺口，优质医疗资源又高度集中于大城市。在基层和偏远地区，受限于专家匮乏，精准诊断与用药面临现实挑战。
在西交利物浦大学（以下简称“西浦”）人工智能与先进计算学院，刘净心副教授正尝试用人工智能为病理图像打造一套“通用语言”，以弥补基层病理诊断的关键短板。
刘净心副教授
近日，由刘净心博士主持的国家自然科学基金项目——“基于自监督学习的病理图像域泛化研究”顺利结题。
项目以数字病理图像为研究对象，从实际算法应用角度出发，研究具有域泛化性的病理辅助诊断算法: 通过双重先验知识生成连续域图像集；针对病理图像特点，设计针对病理图像的自监督学习任务模型；最终构建一个热插拔域泛化模块的病理辅助诊断模型用于病理图像的分割与分类。该研究的成功实施不仅有助于推动计算机辅助诊断在病理检查中的应用，还能进一步提高疾病诊断效率，进而推动医疗发展。
一套算法，为什么走不出一家医院？
病理诊断是公认的疾病诊断“金标准”。在临床诊断中，医生需通过染色组织切片判断肿瘤细胞分布，并测算阳性细胞与阴性细胞的占比，结果直接影响用药决策。
传统诊断往往依赖经验判断，例如“约20%”“接近30%”等区间估计。“而人工智能的引入，使经验判断走向精准量化。计算机可以逐像素分析图像，给出如‘23.5%’这样的具体数值。 看似细微的差异，往往会影响临床决策的精度。”刘净心说。
但真正的难点，并不在于让计算机看懂一张图，而在于在不同环境下都能看懂。类似于使用不同品牌相机拍摄同一景物，即便色彩风格存在差异，人眼依旧可以辨别出是同一个地方。但对于追求精确数值的算法来说，这类差异会导致结果偏差。
在数字病理领域，这一现象被称为“域偏移”。不同医院在制片流程、染色试剂、扫描设备等方面存在差异，导致图像在色彩、纹理和清晰度上产生变化。结果是：在A医院训练出的高精度细胞识别算法，移植到B医院后，准确率可能大幅下降。
“如果一套算法无法跨医院、跨设备稳定工作，就意味着每落地一家医院都需要重新训练调试。“刘净心指出，这正是制约病理AI规模化应用的核心难题。
让AI“见多识广”
围绕“域偏移”问题，刘净心团队形成了一条清晰的技术路线：赋予模型跨医院、跨设备、甚至跨器官的泛化能力。
2024年，团队联合上海交通大学附属瑞金医院、深圳大学大数据系统计算技术国家工程实验室、广西医科大学以及上海衡道病理诊断中心发起COSAS（跨器官跨扫描仪腺癌分割挑战赛），作为MICCAI 2024（国际医学图像计算与计算机辅助介入会议）的卫星活动。项目构建了一个覆盖6类器官、6种扫描设备的跨域病理图像基准数据集，并配以专家精细标注。这一数据集不仅为算法训练提供了更复杂、真实的场景，也揭示了不同模型的性能差异：传统分割网络在域内数据上更准确，而基础模型在未知环境中更稳定。
在方法层面，团队的重要突破之一是对“域偏移”的拆解。他们提出差异不仅来自染色，还源于图像质量。基于此，研究通过染色分解与质量建模，构建连续变化的图像空间，让模型在多样化条件下进行训练。
进一步地，团队赋予模型“动态适应”能力。当进入一个新环境时，算法可以通过风格迁移自动调整自身，使不同来源的数据在同一“风格空间”中被理解。同时，引入视觉与语言结合的方法，用语义信息帮助模型理解图像内容，从而在面对陌生数据时依然保持稳定表现。
从实验室走向真实世界
刘净心的学术轨迹从信号处理研究起步，直到博士阶段才进入医学图像领域。为攻克跨学科难题，他主动走进医院，跟随病理医生学习切片、理解诊断逻辑。在他看来，脱离医学场景的算法再先进，也难以解决临床痛点。
2015年前后，医学影像与人工智能的研究热点主要集中在CT、MRI等宏观成像领域，病理图像分析仍属小众方向。 “当时投稿都很困难，很难找到合适的期刊或会议。”他回忆道。
近年来，数字病理迅速升温，成为医学人工智能的重要前沿之一。面对竞争日益激烈的研究环境，刘净心始终保持理性判断：不追逐最前沿的“炫技”，而是聚焦真正影响落地的问题，比如算法的稳定性、可迁移性，以及在真实医疗场景中的可用性。
目前，他和团队正尝试将研究成果转化为实际产品，与药企合作开发用于免疫组化分析的智能系统，并计划推出更加成熟的软件工具，服务临床医生。 “人工智能无法替代医生，而是为医生提供更可靠的信息支持，帮助其做出更科学的决策。” 刘净心强调。
从冷门赛道的坚守，到热门领域的理性探索；从实验室算法研究，到药企产业化落地尝试，刘净心用十年轨迹勾勒出医工交叉研究的清晰路径：始终以临床需求为导向，让前沿技术真正服务于医疗健康事业。
撰稿：科研管理办公室
2026年05月08日
欢迎关注“西浦科研”公众号，阅读更多“学者视界”系列内容及科研相关资讯。