Nat Biomed Eng | 黄治团队从病理医生诊断行为中学习视觉思维链，构建人类对齐的病理 AI 智能体

本文介绍了宾夕法尼亚大学黄治教授团队在Nature Biomedical Engineering上发表的研究。背景：全切片图像（WSI）诊断是交互式多阶段过程，现有AI模型缺乏病理医生的阅片行为数据。研究目的：构建Pathology-CoT框架，将专家阅片行为转化为可规模化的监督信号，训练出人类对齐的病理AI智能体Pathology-o3。方法：开发AI阅片记录仪，将专家阅片日志转化为结构化行为指令和标准化关注区域（ROI），并结合视觉语言模型生成临床推理，形成训练数据集。结论：Pathology-o3在结直肠癌淋巴结分期任务中表现优异（精确率84.5%、召回率100%），显著优于现有模型。其行为预测器可迁移到外部数据集（瑞典LNCO2），且在皮肤病理任务中零样本性能超越监督学习的多示例学习模型。研究揭示了“分析-导航鸿沟”，即视觉语言模型的分析能力与导航能力不匹配，而通过行为引导可弥合这一差距。该框架为构建临床可信的计算病理AI系统提供了关键监督信号。