人体是一座永不停工的工地，骨骼是承重墙，免疫系统是防水层，神经系统是监理。癌细胞的出现等同于一支违规施工队潜入工地，拆改承重墙、钻漏防水层、干扰监理信号。病理医生的传统诊断方式如同监理手持图纸逐层巡检，在浩大的工地上找到那支违规队伍的位置、判断其破坏等级。人工智能的介入，相当于给监理配备了一台能扫描整座工地、与全球施工数据实时比对的高清探头。这台探头看片子的本事，正在改写癌症确诊的规则。

病理医生诊断癌症的黄金标准是观察活检组织切片——从患者体内取出小米粒大小的组织，经染色后置于显微镜下，寻找细胞的异型性、核分裂像、腺体结构紊乱等恶性迹象。一位经验丰富的病理医生需要十年以上训练才能稳定给出判断，面对一整张包含数百万个细胞的切片，医生往往只能重点扫描几个高倍视野，漏掉散落在边缘的异常细胞并不罕见。AI看片的基本逻辑则是先“吃”进数万甚至数十万张标注好的病理图像，每张图像都经过权威医生标记了“癌细胞位置”或“正常组织”。深度学习网络从中自行提炼出人眼难以察觉的特征：比如细胞核的染色质纹理密度是否超出健康范围0.5个标准差，或者细胞膜边界在某些波段反射光线的异常偏折。这些特征一旦被AI内化，它就能以毫秒级速度扫描整张切片，并在数字地图上标记出所有怀疑区域及其恶性概率。

准确性争议的核心在于两组数据：敏感度和特异度。敏感度高意味着漏诊率低，特异度高意味着误诊率低。2024年《柳叶刀》子刊发表的一项荟萃分析汇总了超过40项前瞻性研究，结果显示AI在前列腺癌活检切片判读中的敏感度达到96.7%，高于普通病理医生的平均水平（约89%），而特异度则与医生持平，约87%。在乳腺癌淋巴结转移检测中，AI在同等时间内检出了医生遗漏的11%的微转移灶。然而这些数据建立在训练集与测试集高度相似的前提之下——AI对采样方式、染色批次、扫描仪型号极其敏感。把一台在德国医院练出来的AI直接用于非洲社区诊所的切片，其敏感度可能暴跌至70%以下，因为切片底色偏黄、细胞质染色更深，AI会误把正常代谢旺盛的细胞认作癌变。这种“泛化能力不足”是现阶段AI看片最致命的短板。

真正落地时，AI的准头取决于它和人如何分工。中国药监局已批准十余款AI辅助诊断软件应用于乳腺癌、宫颈癌、肺癌等领域，但无一被允许“独立出具报告”。临床实践中更成熟的模式是先用AI做初筛，把阴性概率超过99.5%的切片直接过滤，剩下怀疑病例再由病理医生复核。北京协和医院一项内部数据显示，这种模式使医生每日阅片量从80张提升至240张，同时将漏检率压低了34%。但隐患同样存在：AI标注的“高风险区域”若恰好是人眼最难分辨的非典型增生，医生可能因为过度信任AI而放弃二次审视，导致所谓“自动化偏见”——医生对着AI圈出的红框直接签字，反而放过了AI没有圈出的隐蔽病灶。工地上的高清探头不会取代监理，但监理拿着探测报告时必须明白：这份报告每一条结论的概率，都写着“仅供参考”。AI看片准不准，最终答案不在算法里，而在把它放进真实诊断流程时的那双手上。