The post has been translated automatically. Original language: Russian
A pathologist traditionally works with thin sections of biological tissue on a glass slide — examines them under a microscope, evaluates the cellular architecture, identifies malignant changes and makes a diagnosis. This process requires the highest qualifications, takes a considerable amount of time and depends entirely on the availability of a specialist.
Whole Slide Imaging technology — digital scanning of an entire slide — and computer vision algorithms are changing this picture. But not as revolutionarily fast as it is often presented.
What is digital pathology and where does it already work?
The first histological glass scanning systems appeared in 1999. Modern scanners are able to digitize glass in 30 seconds with a resolution that preserves all diagnostically significant details — and process up to a thousand glasses simultaneously. According to the American Journal of Clinical Pathology, as of November 2024, the FDA has issued 510(k) approval for six whole glass scanning systems for use in primary diagnostics.
This means that digital images of histological preparations are officially recognized by the regulator as sufficient for making a diagnosis — without necessarily referring to a physical glass. This opens up the possibility for telepathology — when a specialist in one city analyzes drugs from a clinic on the other side of the country or the world.
Where AI adds value
Digitalization of glass is only the first step. The next level is algorithms that analyze these digital images.
Tasks where AI already demonstrates clinically significant results: automatic segmentation of tumor zones on a histological image, counting mitoses — dividing cells, the number of which is important for assessing tumor aggressiveness, predicting the molecular characteristics of a tumor from visual tissue patterns without expensive genetic testing.
The international Camelyon project, for example, set the task of automatically detecting breast cancer metastases in lymph nodes on histological sections. The winning algorithms of several rounds of the competition showed accuracy comparable to experienced pathologists, especially in the task of detecting micrometastases, which are easy to miss on visual inspection due to their small size.
Technical challenges that IT solves
One digital snapshot of an entire histological glass takes up over 1 gigabyte. This means that analysis requires specialized image processing techniques of enormous size that do not fit into memory entirely. Hence the Multiple Instance Learning approach, in which an image is divided into overlapping fragments that are analyzed individually and then aggregated.
Domain shift — reducing the accuracy of the model when transferring to data from another clinic or from another scanner is one of the main unresolved problems. Different protocols for staining preparations and different equipment produce visually different images of the same tissue. An algorithm trained on data from one institution often loses accuracy in another — this is an active area of research on data normalization and adaptation.
The new regulatory context is also important: in April 2024, the FDA announced the final decision on laboratory-developed tests, effectively extending regulatory oversight to AI algorithms for digital pathology as medical devices. This changes the requirements for the validation and market launch of such algorithms.
What remains beyond the horizon
Regulators explicitly state that even with approved scanning systems, the microscope should remain available to the pathologist in cases where its use is clinically justified. A number of studies have shown that digital images do not yet completely replace physical glass for detecting certain microorganisms — differences in optical characteristics can affect the diagnosis.
Digital pathology and AI are not a substitute for a pathologist, but tools that increase accuracy in complex tasks, speed up routine tasks, and make expert opinion available where there is no specialist physically available. The digital pathology market is estimated to be around $1.2 billion in 2024 and is expected to grow to $2.6 billion by 2032.
Sources:
- What Is Digital Pathology? The Complete Guide to Modern Tissue Diagnosis — Digital Pathology Place, 2024
- An update on applications of digital pathology: primary diagnosis, telepathology, education and research — Diagnostic Pathology, 2025
- The Role of Whole Slide Imaging in AI-Based Digital Pathology: Current Challenges and Future Directions — MDPI, 2026
- The Rise of AI-Enabled Digital Pathology — DelveInsight, 2026
Патологоанатом традиционно работает с тонкими срезами биологической ткани на стеклянном предметном стекле — рассматривает их под микроскопом, оценивает клеточную архитектуру, идентифицирует злокачественные изменения и выставляет диагноз. Этот процесс требует высочайшей квалификации, занимает значительное время и полностью зависит от доступности специалиста.
Технология Whole Slide Imaging — цифрового сканирования целого предметного стекла — и алгоритмы компьютерного зрения меняют эту картину. Но не так революционно быстро, как часто преподносится.
Что такое цифровая патология и где она уже работает
Первые системы сканирования гистологических стёкол появились в 1999 году. Современные сканеры способны оцифровывать стекло за 30 секунд с разрешением, сохраняющим все диагностически значимые детали — и обрабатывать до тысячи стёкол одновременно. По данным Американского журнала клинической патологии, по состоянию на ноябрь 2024 года FDA выдала одобрение по пути 510(k) шести системам сканирования целых стёкол для использования в первичной диагностике.
Это означает: цифровые изображения гистологических препаратов официально признаны регулятором достаточными для постановки диагноза — без обязательного обращения к физическому стеклу. Это открывает возможность для телепатологии — когда специалист в одном городе анализирует препараты из клиники на другом конце страны или мира.
Где AI добавляет ценность
Цифровизация стекла — только первый шаг. Следующий уровень — алгоритмы, которые анализируют эти цифровые изображения.
Задачи, где AI уже демонстрирует клинически значимые результаты: автоматическая сегментация опухолевых зон на гистологическом снимке, подсчёт митозов — делящихся клеток, количество которых важно для оценки агрессивности опухоли, предсказание молекулярных характеристик опухоли по визуальным паттернам ткани без дорогостоящего генетического тестирования.
Международный проект Camelyon, например, ставил задачу автоматического обнаружения метастазов рака молочной железы в лимфатических узлах на гистологических срезах. Алгоритмы-победители нескольких раундов соревнования показали точность, сопоставимую с опытными патологами — особенно в задаче обнаружения микрометастазов, которые легко пропустить при визуальном осмотре из-за их малого размера.
Технические вызовы, которые решает IT
Один цифровой снимок целого гистологического стекла занимает свыше 1 гигабайта. Это означает: анализ требует специализированных методов обработки изображений огромного размера, которые не помещаются в память целиком — отсюда подход Multiple Instance Learning, при котором изображение делится на перекрывающиеся фрагменты, анализируемые по отдельности с последующей агрегацией результатов.
Domain shift — снижение точности модели при переносе на данные из другой клиники или с другого сканера — одна из главных нерешённых проблем. Разные протоколы окрашивания препаратов, разное оборудование дают визуально отличающиеся изображения одной и той же ткани. Алгоритм, обученный на данных одного учреждения, часто теряет точность в другом — это активная область исследований по нормализации и адаптации данных.
Новый регуляторный контекст также важен: в апреле 2024 года FDA объявила об окончательном решении по лабораторно разработанным тестам, фактически распространив регуляторный надзор на AI-алгоритмы цифровой патологии как на медицинские устройства. Это меняет требования к валидации и выводу таких алгоритмов на рынок.
Что остаётся за горизонтом
Регуляторы прямо указывают: даже при наличии одобренных систем сканирования микроскоп должен оставаться доступен патологу для случаев, где его использование будет клинически обосновано. Ряд исследований показал, что цифровые снимки пока не полностью заменяют физическое стекло для выявления некоторых микроорганизмов — различия в оптических характеристиках могут влиять на диагностику.
📌 Цифровая патология и AI — не замена патолога, а инструменты, которые повышают точность в сложных задачах, ускоряют рутинные, и делают доступным экспертное мнение там, где специалиста физически нет. Рынок цифровой патологии, по оценкам, составляет около $1,2 млрд в 2024 году и ожидается к росту до $2,6 млрд к 2032 году.
- Источники: What Is Digital Pathology? The Complete Guide to Modern Tissue Diagnosis — Digital Pathology Place, 2024
- An update on applications of digital pathology: primary diagnosis, telepathology, education and research — Diagnostic Pathology, PMC, 2025
- The Role of Whole Slide Imaging in AI-Based Digital Pathology: Current Challenges and Future Directions — MDPI, 2026
- The Rise of AI-Enabled Digital Pathology — DelveInsight Blog, 2026
Share
