Nature Biomedical Engineering：TRUECAM 给数字病理 AI 加上“不确定性护栏”
顶级刊物论文速递 · 发布 2026-06-23T20:10:00+08:00 · 更新 2026-06-23T20:21:26+08:00
Vanderbilt 与香港多中心团队 6 月 23 日在 Nature Biomedical Engineering 报道 TRUECAM。该框架作为数字病理 AI 的不确定性感知 wrapper，用于非小细胞肺癌全切片图像分型，既识别训练范围外输入，也过滤正常或染色较差等非信息区域，并在多来源数据、基础模型和跨器官癌组织中测试。它回应临床 AI “不知道自己不知道”的风险，但仍需真实诊断流程和监管验证。
EurekAlert / Vanderbilt University Medical Center 6 月 23 日发布消息称，Vanderbilt Health、香港理工大学、香港大学等团队在 Nature Biomedical Engineering 发表论文 “Implementing trust in non-small cell lung cancer diagnosis with a conformalized uncertainty-aware AI framework”。论文提出的 TRUECAM 不是一个单独替代病理医生的诊断模型，而是包装在数字病理 AI 外层的不确定性感知框架。
它要解决的问题很典型：许多图像 AI 在遇到训练集中没有见过的输入时仍会给出高置信度答案，临床上这会把“未知”误判成某个已知亚型。新闻稿以动物分类作比喻说明这一风险；在病理场景中，类似问题可能来自不属于目标任务的组织、扫描质量差、染色异常、正常组织区域过多，或癌种/亚型超出模型训练边界。
TRUECAM 的核心是对非小细胞肺癌全切片图像分型提供可定制的准确性保证。公开稿件称，团队主要围绕 NSCLC 分型测试该框架，既让系统识别 out-of-scope 输入，也过滤正常、染色差等非信息区域，避免这些区域扭曲切片级推断。测试对象包括一个常用 NSCLC 分型 AI 架构、4 个更新的通用数字病理 foundation models、两个地域不同癌症研究联盟的数据、构造出的临床相关 out-of-scope 图像，以及香港 Queen Mary Hospital 的真实世界图像序列；测试还扩展到乳腺、脑、肾等多器官癌组织。
为什么重要：数字病理 AI 从研究论文走向临床部署时，性能均值往往不够，医生和监管机构更关心失败模式能否被识别。一个能告诉使用者“这张切片不在适用范围内”或“这些区域不该用于推断”的外层框架，比单纯追求更高分类准确率更接近临床安全需求。它也适合与基础模型时代的病理工具结合，因为基础模型覆盖面更广，但边界也更难直观看清。
仍需观察的是，TRUECAM 能否在不同扫描仪、染色协议、医院样本构成和罕见亚型上保持校准；所谓可定制准确性保证如何转化为病理报告、质控阈值和责任划分；以及它是否增加医生复核负担。论文是同行评议研究，但临床采用还需要前瞻性工作流评估、外部验证和可能的监管路径。
信息来源
可信度说明
来源为 Vanderbilt 经 EurekAlert 发布的机构新闻稿，并链接 Nature Biomedical Engineering 论文 DOI，期刊、题名、发布时间、测试范围和资金来源可核验。局限是本轮只依据公开摘要和新闻稿写作，未读取全部补充实验；临床效果和监管适用性仍需后续验证。