确保可信度是癌症诊断的基础，误诊可能带来严重后果。当前的病理学AI模型缺乏系统性解决方案来应对由模型局限性以及模型部署与开发环境之间的数据差异所引起的可信度问题。
2026年6月23日，香港理工大学张晓革、香港大学Maximus C. F. Yeung、美国范德堡大学Bradley A. Malin共同通讯在Nature Biomedical Engineering（IF=26.3）在线发表题为Implementing trust in non-small cell lung cancer diagnosis with a conformalized uncertainty-aware AI framework的研究论文。
该研究开发了名为“TRUECAM”的通用可信AI框架。该框架通过量化诊断不确定性、主动过滤模糊区域并提供统计保证的误差率，显著提升了非小细胞肺癌（NSCLC）病理分型的准确性与可靠性，为AI在临床病理中的安全部署提供了系统解决方案。
在数字病理学中，人工智能在广泛的临床任务中显示出强大的决策支持潜力，从区分不同类型癌症到检测可能预测疾病进展的细微组织病理学变化。然而，医学AI模型的可靠性可能因其固有局限性而受到显著损害，例如测量不确定性和控制错误率的能力不足。
这些问题还因模型开发和部署环境之间的数据差异而进一步加剧，包括患者人口统计学、疾病特征、数据采集技术、染色方案和临床实践的差异。解决这些挑战对于确保模型可靠性、维护患者安全以及建立AI系统在医疗应用中的可信度至关重要。
TRUECAM概述（图源自Nature Biomedical Engineering）
在此，研究人员介绍了TRUECAM，一个旨在使用全切片图像对非小细胞肺癌进行分型时确保数据和模型可信度的框架。TRUECAM整合了：（1）用于识别超出范围输入的谱归一化神经高斯过程，（2）用于过滤高度模糊区域的模糊引导切片消除，以解决数据可信度问题，以及（3）用于确保受控错误率的保形预测。
使用任务特定模型和基础模型在多个癌症数据集上对TRUECAM进行了系统评估。计算实验表明，使用TRUECAM包装的模型在分类准确性、鲁棒性、可解释性、数据效率和公平性方面始终优于未包装的对应模型。这些发现将TRUECAM确立为一个在现实世界环境中负责任部署病理学AI的通用框架。
参考消息：https://www.nature.com/articles/s41551-026-01694-8