斯坦福大学团队发布HistoAtlas：用AI给病理切片建立"身份证"，让显微镜下的组织说话

这项由斯坦福大学及其合作机构领导的突破性研究发表于2026年3月，论文编号为arXiv:2603.16587v1。研究团队开发了一个名为HistoAtlas的创新系统，这个系统就像是给病理切片建立了一个详细的"身份档案"，能够从传统的病理切片中读取出惊人丰富的信息。

回到医生诊断癌症的传统方式，病理医生需要在显微镜下仔细观察从患者体内取出的组织切片。这些薄如蝉翼的组织切片经过染色处理后，会呈现出不同颜色的细胞和结构。病理医生凭借多年经验，从这些复杂的图像中判断癌症类型、严重程度以及患者的预后情况。然而，这种方式就像是让一个人仅凭肉眼观察一幅复杂的抽象画，然后猜测画家的心情、创作背景和技法特点一样困难。

HistoAtlas的出现彻底改变了这种状况。这个系统能够像一个超级放大镜一样，不仅看到病理切片中的每一个细节，还能理解这些细节背后的生物学意义。研究团队收集了来自21种不同癌症类型的6745张病理切片，这相当于建立了一个覆盖几乎所有主要癌症的"病理百科全书"。

系统的核心创新在于能够从每张切片中提取38个不同的特征指标。这就好比一个经验丰富的侦探在案发现场寻找线索，不仅要看到明显的证据，还要注意细微的痕迹。这38个特征涵盖了组织的构成比例、细胞密度、核形态、空间分布和异质性等多个维度。比如说，系统能够精确测量肿瘤区域内免疫细胞的密度，就像统计一场战斗中守军的兵力分布一样。它还能分析细胞核的形状变化程度，这就像观察建筑物的结构是否发生了变形，从而推断受到了多大的压力。

更令人惊讶的是，HistoAtlas不仅能够"看到"这些特征，还能将它们与患者的生存预后、基因表达情况、基因突变状态以及免疫亚型等关键信息建立联系。这种能力就像是拥有了一个翻译器，能够将显微镜下的视觉信息翻译成具体的医学预测。例如，当系统检测到某个区域的淋巴细胞密度较高时，它能够预测患者的生存情况可能更好，就像看到战场上援军充足就能推断战斗的胜算更大。

整个研究采用了严格的统计学方法来确保结果的可靠性。研究团队进行了数十万次相关性分析，并使用多重校正方法来排除偶然性因素的干扰。他们将每个发现都分为不同的证据强度等级，就像法庭上对证据进行分级一样，确保每一个结论都有足够的支撑。

这项研究的意义远远超出了技术本身。传统的癌症诊断严重依赖医生的经验和主观判断，而且往往需要昂贵的基因检测或免疫组化染色。HistoAtlas提供了一种更经济、更标准化的替代方案，只需要常规的病理切片就能获得丰富的诊断信息。这就像是把一个经验丰富的病理专家的知识和判断能力封装到了一个可以随时调用的系统中。

一、揭开组织的神秘面纱：HistoAtlas如何"读懂"病理切片

当我们谈论HistoAtlas的工作原理时，可以把它想象成一个极其精密的图像分析师。这个分析师不仅拥有超人的视力，还具备深厚的医学知识背景。

系统的第一步工作就像是给一幅复杂的地图进行区域划分。每张病理切片就像是一个微观城市的俯视图，其中包含了不同的"社区"：肿瘤细胞聚集的"住宅区"、基质细胞分布的"商业区"、血管网络构成的"交通系统"，以及免疫细胞巡逻的"安全区域"。HistoAtlas使用先进的人工智能算法，能够精确地识别和划分这些不同的区域，就像一个城市规划师能够准确标出每个功能区的边界一样。

在完成区域划分后，系统开始进行更细致的"人口普查"。它能够识别并计数九种不同类型的细胞，包括肿瘤细胞、淋巴细胞、成纤维细胞、中性粒细胞、嗜酸性粒细胞、浆细胞、凋亡小体、有丝分裂象和红细胞。这个过程就像是进行一次全面的人口统计，不仅要知道每个区域有多少"居民"，还要了解这些"居民"的具体身份和状态。

系统总共提取的38个特征可以分为五大类别，每一类都像是从不同角度观察这个微观世界。组织构成特征就像是了解一个城市的基本布局，告诉我们肿瘤组织和基质组织各自占据多大的比例。细胞密度特征则像是人口密度统计，反映不同类型细胞在各个区域的分布情况。核形态学特征就像是观察建筑物的健康状态，通过分析细胞核的大小、形状和规整度来判断细胞的异常程度。空间组织特征关注的是不同区域之间的相互关系，就像研究城市各个功能区之间的连接和交互。最后，空间异质性特征则反映了整个组织内部的均匀程度，就像衡量一个城市发展的均衡性。

特别值得注意的是，HistoAtlas在处理免疫相关信息时展现出了独特的优势。传统的方法往往只能给出一个笼统的免疫细胞浸润评分，就像只能告诉你一个城市总共有多少警察，但不知道他们具体分布在哪些街区。而HistoAtlas能够精确区分肿瘤内部、基质区域和侵袭前沿等不同位置的免疫细胞分布情况，这种精细化的分析就像能够实时监控每个街区的安全状况一样有价值。

系统还引入了一些创新的综合指标，比如"界面标准化免疫压力"，这个指标综合考虑了肿瘤-基质边界附近的淋巴细胞数量和边界长度，就像计算每米边防线上的守卫密度一样。还有"肿瘤区域实心度"这样的指标，反映了肿瘤生长的紧密程度，类似于测量一个建筑物的结构密实度。

整个特征提取过程完全自动化，不需要人工干预，这确保了结果的客观性和可重复性。系统使用的人工智能模型经过了大量数据的训练，能够在各种不同的组织类型和染色条件下保持稳定的性能。这就像是培养了一个永不疲倦、永不出错的显微镜操作专家。

二、从形态到分子：建立看不见的桥梁

HistoAtlas最令人印象深刻的能力之一，就是能够从可见的组织形态推断出看不见的分子特征。这种能力就像是通过观察一个人的外表和行为来推断他的性格和健康状况一样神奇。

研究团队进行了近50万次相关性分析，系统性地探索了38个形态学特征与293个分子靶点之间的关系。这些分子靶点包括133个重要的癌症相关基因、21个关键的生物学通路活性评分，以及6个免疫细胞亚群比例。这个过程就像是建立一本巨大的"翻译词典"，能够将形态学的"语言"翻译成分子生物学的"语言"。

其中最引人注目的发现是有丝分裂指数与细胞增殖标志物之间的强相关性。有丝分裂指数反映的是正在分裂的细胞比例，这就像是统计一个工厂中有多少生产线正在运转。研究发现，这个指标与PLK1、AURKA、MKI67等经典增殖标志物的相关系数高达0.52-0.65。这意味着，仅仅通过观察切片中分裂细胞的数量，就能够相当准确地预测这些重要增殖基因的表达水平。

另一个有趣的发现涉及侵袭深度与上皮-间质转化（EMT）标志物的关系。侵袭深度衡量的是肿瘤细胞向周围组织渗透的程度，就像测量洪水的漫延距离一样。研究发现，侵袭深度与ZEB1等EMT关键转录因子呈现显著正相关，与上皮标志物CDH1则呈现负相关。这就像是通过观察水的流动范围就能推断出河堤的坚固程度一样。

更有意思的是，研究还发现了侵袭深度与细胞周期通路活性之间的负相关关系。这个发现支持了"要么生长，要么迁移"的生物学假说，就像一个企业不能同时将所有资源都投入到扩大生产和开拓新市场上一样，癌细胞似乎也需要在快速增殖和积极侵袭之间做出选择。

核多形性指数作为另一个重要的形态学特征，显示出了与肿瘤分化程度的密切关系。这个指数反映的是细胞核形状的不规则程度，就像观察建筑物的外观是否整齐划一来判断建造质量一样。研究发现，核多形性指数与增殖相关基因PLK1、AURKA、CCNE1、MKI67等呈现显著正相关，而与分化标志物BCL2和ESR1呈现负相关。这意味着，细胞核越不规整，肿瘤的恶性程度往往越高，预后越差。

在免疫相关特征方面，肿瘤内淋巴细胞密度与细胞毒性T细胞标志物和免疫检查点基因的相关性特别值得关注。比如，这个特征与CD8A的相关系数达到0.59，与TIGIT的相关系数达到0.63。这就像是通过数人群中穿制服的人数来推断这个地区的安全等级一样准确。

系统还能够区分不同免疫亚型对应的形态学特征。例如，肿瘤周围免疫丰富度这个特征能够解释13%的免疫亚型差异，这相当于通过观察一个社区的表面特征就能推断出居民的大致构成和生活方式。

这些形态学-分子学的对应关系不仅在学术上有重要意义，在临床应用中也极具价值。传统的分子检测往往需要额外的组织样本、昂贵的试剂和复杂的实验流程，而HistoAtlas只需要常规的H&E染色切片就能提供相当准确的分子信息预测。这就像是拥有了一台能够透视的X光机，让医生能够在不进行侵入性检查的情况下了解患者的内在状况。

三、生存密码：形态特征如何预测患者命运

在医学研究中，最重要的问题之一就是如何预测患者的预后情况。HistoAtlas在这方面展现出了令人瞩目的能力，它能够从显微镜下的组织形态中读取出影响患者生存的重要信息。

研究团队对每个形态学特征都进行了系统性的生存分析，总共完成了5623个可评估的关联分析。这个过程就像是进行一次大规模的"健康体检"，通过检查每一个可能的健康指标来预测一个人的长期生存前景。

其中最引人注目的发现是肿瘤内淋巴细胞密度与患者生存的关系。这个特征在泛癌症分析中显示出显著的保护性效应，风险比为0.87，意味着这个指标每增加一个标准差，患者的死亡风险就降低13%。这就像是发现了免疫系统的"守护天使"：肿瘤内部的免疫细胞越多，患者的生存机会就越好。

更有趣的是，研究发现了肿瘤内和基质内淋巴细胞密度在预后预测能力上的差异。肿瘤内淋巴细胞密度显示出更强的保护性效应（风险比0.87），而基质淋巴细胞密度的保护效应相对较弱（风险比0.89）。这个发现就像是发现了"近身保镖比远程支援更有效"的道理：直接渗透到肿瘤内部的免疫细胞比停留在周围组织中的免疫细胞更能有效对抗肿瘤。

在乳腺癌患者中，这种差异表现得尤为明显。肿瘤内淋巴细胞密度高的患者死亡风险降低28%（风险比0.72），而基质淋巴细胞密度的影响则不显著。这个发现对临床实践具有重要意义，因为它提示医生在评估患者预后时，应该更加关注肿瘤内部而不是周围的免疫反应。

有丝分裂指数作为另一个重要的预后指标，在泛癌症分析中显示出显著的风险效应，风险比为1.25。这意味着肿瘤细胞分裂越活跃，患者的预后越差。这个发现符合我们的直觉：癌细胞生长得越快，肿瘤的侵袭性通常越强，治疗难度也越大。

核面积这个看似简单的指标也显示出了重要的预后价值。细胞核越大，往往意味着细胞的异常程度越高，患者的预后也相应较差。这就像是通过观察建筑物窗户的大小和形状来判断建筑质量一样，细胞核的异常往往反映了细胞内部代谢和调控机制的紊乱。

在不同癌症类型中，形态学特征的预后价值呈现出有趣的差异。例如，嗜酸性粒细胞浸润在乳腺癌和头颈部鳞癌中显示出保护性效应，这可能与这类免疫细胞的抗肿瘤功能有关。而中性粒细胞密度的影响则在不同癌症类型中表现不一，反映了肿瘤微环境的复杂性。

空间特征也显示出了重要的预后价值。例如，肿瘤-淋巴细胞最近邻距离这个指标反映了免疫排斥的程度，距离越大意味着免疫细胞越难接近肿瘤细胞，患者的预后相应较差。这就像是衡量救援队与被困人员之间的距离一样：距离越近，救援成功的可能性越大。

界面标准化免疫压力这个综合指标在头颈部鳞癌中显示出显著的保护性效应，风险比为0.74。这个指标综合考虑了肿瘤-基质边界附近的淋巴细胞数量和边界长度，反映了免疫系统在肿瘤边界的"压制能力"。

值得注意的是，并非所有形态学特征都在所有癌症类型中显示出相同的预后价值。这种异质性反映了不同癌症类型在生物学行为上的差异，也提示了个体化治疗的重要性。就像不同的疾病需要不同的治疗方案一样，不同类型的癌症可能需要关注不同的形态学指标。

研究团队还发现了一些出人意料的结果。例如，形态学异质性（通常被认为与预后较差相关）在某些情况下实际上显示出了保护性效应。这个发现挑战了传统的观念，提示肿瘤异质性的影响可能比我们想象的更加复杂。

四、形态学地图：绘制癌症的"指纹图谱"

HistoAtlas不仅能够分析单个特征，更重要的是它能够将所有形态学信息整合起来，绘制出每种癌症独特的"形态学指纹"。这就像是为每种癌症制作了一张详细的地图，显示出不同癌症类型在形态学特征空间中的分布和聚集情况。

研究团队使用无监督聚类方法，在没有任何先验知识的情况下，仅根据形态学特征将6745张切片分为10个主要的形态学集群。这个过程就像是让一个从未见过地图的人，仅凭地形特征就能识别出不同的地理区域一样神奇。

这些形态学集群展现出了令人惊讶的生物学一致性。例如，集群4主要由胸腺瘤组成（占76%），这个集群显示出强烈的免疫排斥通路富集，这与胸腺作为T细胞成熟场所的生物学特性完全吻合。这就像是通过观察一个地区的地貌特征就能推断出当地的主要产业一样准确。

集群6主要包含结直肠癌（占61%），显示出显著的Wnt/β-catenin信号通路激活和C1伤口愈合免疫亚型富集。这个发现完美地反映了结直肠癌发病的分子机制，因为Wnt通路异常激活正是结直肠癌的典型特征。这就像是发现了某个地区的"产业特色"：每种癌症都有其独特的分子"产业结构"。

集群8主要由乳腺癌和前列腺癌组成（分别占44%和24%），显示出雌激素反应上调和增殖抑制的特征。这个集群的特点完全符合激素驱动型肿瘤的生物学行为：生长相对缓慢，但对激素信号高度敏感。这就像是识别出了"农业区"的特征：生产节奏相对平稳，但高度依赖特定的环境条件。

特别有趣的是集群3，这个集群跨越了5种不同的癌症类型，没有明显的主导型癌症，却显示出一致的缺氧、干扰素-γ反应和C2免疫亚型富集。这个发现提示存在跨癌种的共同形态学模式，就像不同地区可能因为相似的气候条件而发展出类似的生态系统一样。

研究还发现了一些形态学亚群内部的进一步分化。在乳腺癌内部，子集群2富集C2免疫亚型和干扰素-γ反应，而子集群3则显示雌激素反应富集和所有免疫通路的抑制。这种内部分化就像是在同一个城市内部发现了不同的社区特色：有的社区商业繁荣（免疫活跃），有的社区则相对安静（免疫抑制）。

这些形态学集群不仅在分子特征上表现出一致性，在生存预后方面也显示出显著差异。集群2显示出深度静止的形态学特征，增殖通路活性被显著抑制，同时显示出良好的生存预后（风险比0.54）。相比之下，集群8虽然同样显示出相对较低的增殖活性，但生存预后较差（风险比1.37）。

这种差异揭示了一个重要的生物学洞察：并非所有的"免疫冷"肿瘤都是一样的。集群2代表的是一种"静止-冷"表型，肿瘤生长缓慢但免疫反应也相对较弱，整体上患者预后较好。而集群8代表的是"激素驱动"表型，虽然增殖相对温和，但由于激素信号的持续刺激，长期预后可能较差。

研究团队还发现了形态学集群与基因突变模式的关联。集群6富集了TTN、FAT4和SYNE1等基因的突变，这些都是在结直肠癌基因组中经常观察到的突变。集群8则显示出染色质修饰基因突变的缺失，这与基因组相对稳定的激素驱动型肿瘤特征一致。

这些发现的临床意义在于，它们提供了一种基于形态学的肿瘤分类新方法。传统的病理诊断主要依赖组织学类型和分级，而HistoAtlas提供了一种更加精细、客观的分类方式。这种分类不仅考虑了肿瘤的形态学特征，还能预测分子特征和临床预后，为个体化治疗提供了新的依据。

五、质量控制：确保结果的可靠性

在如此大规模的研究中，质量控制是确保结果可靠性的关键。HistoAtlas研究团队采用了多层次的质量控制策略，就像建造一座大桥时需要多重安全检查一样，确保每一个结论都经得起严格的科学检验。

首先，研究团队处理了批次效应这个在大规模研究中常见的技术问题。由于6745张切片来自不同的医疗机构，在组织处理、染色和扫描过程中可能存在技术差异，就像同一道菜在不同厨师手里可能呈现不同口味一样。研究团队使用主成分方差分析发现，44.7%的特征差异归因于组织来源，32.7%归因于癌症类型，22.6%为残差。虽然组织来源的影响看似很大，但这主要是因为不同机构主要贡献特定类型的癌症样本，实际的技术批次效应在控制癌症类型后显著降低。

为了验证特征提取的准确性，研究团队进行了生物学合理性审查。他们将研究发现分解为60个具体的生物学声明，逐一对照已发表的文献进行验证。结果显示，70%的发现得到了已有文献的支持，20%是新发现但生物学上合理，8%是机制不明确的新发现，只有2%存在表面上的矛盾（后来通过仔细分析得到了解释）。这种全面的文献验证就像是为每一个发现都找到了"证人证言"，确保结论的科学可靠性。

在统计分析方面，研究团队采用了严格的多重比较校正。面对数十万次假设检验，如果不进行适当的校正，就可能出现大量的假阳性结果，就像在茫茫大海中寻找宝藏时，如果不仔细甄别，可能会把普通石头误认为宝石。研究团队使用Benjamini-Hochberg方法在预定义的校正家族内进行校正，确保假发现率控制在5%以下。

对于生存分析，研究团队特别关注了Cox回归的比例风险假设。他们使用Schoenfeld残差检验每一个模型的假设是否成立，对于违反假设的模型（P<0.05），研究团队将相应的Cox回归结果标记为无效，并提供限制性平均生存时间（RMST）作为补充分析。这种做法就像是在建筑施工中，一旦发现某个构件不符合安全标准，立即停止使用并寻找替代方案。

研究还计算了每个分析的最小可检测效应量（MDES），告诉读者在给定的样本量下，研究能够检测到的最小效应是多少。这种透明度就像是告诉消费者一台显微镜的分辨率极限，让用户清楚地知道什么是能看到的，什么是看不到的。例如，对于样本量较大的乳腺癌队列，研究能够检测到风险比大于1.62的有害效应，而对于样本量较小的胆管癌队列，只能检测到风险比大于3.75的效应。

为了确保结果的可重复性，所有分析都使用了固定的随机种子，所有代码和数据都将公开发布。研究团队还提供了详细的方法学描述，包括特征定义、预处理步骤、统计模型参数等，就像是提供了一份详细的"实验食谱"，让其他研究者能够准确复现结果。

研究团队还进行了交叉终点验证，检查在总生存期上显著的发现是否在疾病特异性生存期和无进展生存期上也能得到验证。结果显示，62.7%的发现在疾病特异性生存期上得到验证，53.3%在无进展生存期上得到验证。这种交叉验证就像是用不同的测量工具检查同一个物体的尺寸，确保结果的一致性。

最后，研究团队为每个关联分析提供了证据强度徽章，将结果分为"强"、"中等"、"提示性"或"不充分"四个等级。这种分级基于调整后的P值、效应量大小、置信区间宽度和样本量等多个因素的综合评估。在5623个生存分析中，只有0.6%达到了"强"证据等级，3.0%达到"中等"等级，这种保守的标准确保了高质量发现的可靠性。

六、临床应用前景：从实验室走向病床边

HistoAtlas的最终目标是改善癌症患者的诊断和治疗，这要求系统不仅在学术上有价值，更要在临床实践中发挥作用。当前的研究结果已经展现出了巨大的临床应用潜力。

传统的癌症诊断严重依赖病理医生的主观判断和经验，这就像是让不同的厨师仅凭味觉来判断同一道菜的质量一样，结果可能存在相当大的个体差异。HistoAtlas提供了一种标准化、客观化的诊断辅助工具，能够从常规的H&E染色切片中提取丰富的定量信息，就像是给每个病理医生配备了一台精密的检测仪器。

在预后评估方面，HistoAtlas显示出了特别突出的价值。系统能够识别出一些传统方法容易忽略的预后因子。例如，肿瘤内淋巴细胞密度与基质淋巴细胞密度的差异化预后价值，提示临床医生在评估免疫治疗效果时应该更加关注肿瘤内部的免疫反应。这种精细化的评估就像是从笼统的"天气预报"升级为精确的"微气候预测"。

系统的分子预测功能也具有重要的临床意义。在很多情况下，患者的组织样本有限，无法同时进行所有必要的分子检测。HistoAtlas能够从形态学特征推断分子特征，为临床决策提供额外的信息支持。例如，当系统检测到高有丝分裂指数时，可以合理推断患者的增殖相关基因表达水平较高，可能对细胞周期抑制剂等靶向治疗更敏感。

形态学集群的发现为肿瘤分类提供了新的思路。传统的病理分类主要基于组织学外观，而HistoAtlas的分类能够同时反映形态学和分子特征，提供更加精准的肿瘤分型。这种分型方法可能有助于识别那些在传统分类中被归为同一类但实际预后差异很大的患者群体。

在个体化治疗方面，HistoAtlas的发现为治疗策略制定提供了新的依据。例如，对于形态学特征提示免疫活跃的患者，可能更适合免疫检查点抑制剂治疗；而对于显示激素驱动特征的患者，内分泌治疗可能是更好的选择。这种基于形态学的治疗指导就像是为每个患者量身定制的治疗方案。

系统的成本效益优势也不容忽视。H&E染色是病理诊断的标准程序，几乎所有癌症患者都会进行这项检查。HistoAtlas能够从这些常规检查中提取出以往需要昂贵的免疫组化或分子检测才能获得的信息。这就像是从一张普通照片中读取出原本需要专业设备才能获得的信息一样经济实用。

不过，HistoAtlas的临床应用还面临一些挑战。首先是技术标准化的问题。不同医疗机构的组织处理、染色和扫描流程可能存在差异，这些差异可能影响特征提取的准确性。就像同一个乐谱在不同乐团演奏时可能呈现不同效果一样，系统需要具备足够的鲁棒性来处理这些技术变异。

其次是模型的泛化能力。当前的研究基于TCGA数据集，患者主要来自欧美国家。在推广到不同种族人群和不同医疗体系时，系统的表现可能会有所变化。这就像是一个在特定气候条件下培育的植物品种，在移植到新环境时可能需要适应性调整。

再次是与现有临床流程的整合。HistoAtlas需要与现有的病理信息系统和临床决策支持系统整合，这需要大量的技术开发和流程优化工作。这个过程就像是在一个运行中的工厂里安装新的生产线，需要精心规划以避免干扰现有操作。

最后是法规和伦理方面的考虑。作为一个医疗AI系统，HistoAtlas需要通过相关的医疗器械审批，证明其安全性和有效性。同时，还需要考虑AI决策的可解释性和责任归属问题，确保系统能够为临床决策提供支持而不是替代医生的专业判断。

尽管存在这些挑战，HistoAtlas代表了数字病理学发展的重要方向。随着技术的不断完善和临床验证的深入，这类系统有望成为病理诊断和癌症治疗的重要工具，为患者带来更精确、更个体化的医疗服务。

说到底，HistoAtlas最大的价值在于它为我们提供了一个全新的视角来理解癌症。它告诉我们，那些在显微镜下看似静止的组织切片实际上蕴含着丰富的生物学信息，这些信息能够指导治疗决策、预测患者预后，甚至揭示疾病的本质机制。这项研究不仅是技术的突破，更是医学认识的深化，为未来的精准医疗奠定了重要基础。研究团队已经将所有数据和代码公开发布在https://histoatlas.com，有兴趣深入了解的读者可以通过arXiv:2603.16587v1查询完整论文。这种开放的科研态度确保了研究成果能够被全球的科研人员和医疗机构共享和应用，最终惠及更多的癌症患者。

Q&A

Q1：HistoAtlas是什么？

A：HistoAtlas是由斯坦福大学团队开发的AI病理分析系统，能够从常规的病理切片中提取38个定量特征，并将这些形态学信息与患者的生存预后、基因表达、基因突变等分子信息建立联系，为癌症诊断和治疗提供客观化的辅助工具。

Q2：HistoAtlas如何提高癌症诊断的准确性？

A：HistoAtlas通过自动化分析替代了传统依赖医生主观判断的方式，能够精确识别和计数九种不同类型的细胞，测量肿瘤内外免疫细胞分布，分析细胞核形态变化等38个客观指标，从而提供标准化、可重复的诊断信息，减少人为误差。

Q3：普通患者能直接使用HistoAtlas吗？

A：目前HistoAtlas还处于研究阶段，需要通过医疗器械审批才能进入临床应用。但由于它只需要常规的病理切片就能工作，一旦获得批准，患者可以通过医院的病理科获得这种分析服务，无需额外的组织采样或昂贵的特殊检测。