病理學是門藉由觀察組織細胞來判斷病灶的一門醫學科，介在基礎醫學和臨床醫學之間，病理學一方面探索疾病在發生的起因、發展及變化，另一方面協助確定臨床診斷，提供治療方式的建議與預後評估。
目前的病理診斷流程，是由臨床醫師針對懷疑病灶之處，從病人身上取下組織細胞，經過組織處理過程將組織和細胞製作成非常薄，可透光的薄片，由具專門知識的病理醫師透過光學顯微鏡觀察型態的變化，配合相關染色及分子檢查後，決定病灶種類，並提供與治療方式和預後有關的組織變化相關資訊。受限於玻片和光學顯微鏡等實體設備的空間限制，顯微觀察無法跨域執行，組織學資訊只能透過病理醫師以文字描述，偶搭配局部照相來保存。此作法雖然已行之多年，但難免有資訊無法完整保存使用之憾。
所謂的數位病理，是將傳統玻片完整掃描成影像數位檔，以數位形式將組織細胞的型態永久保存及交流。病理醫師不再受空間限制，可以跨域判讀診斷。無論是因病人轉院治療而需要病理資料調閱，或是困難案例需要須請次專科醫師協助診斷(例如諮詢世界權威醫師)，在數位病理的引進下，過去需數週才可達成的流程，數小時即可解決。此外，透過結合醫療系統、檢體流程的數位化，和全影像掃描，整套病理流程可將需要人工書寫的機會降到最低，避免人員疏失，並且加快處理流程。
不過數位病理發展最強大的地方不僅是流程的改善，更在於人工智慧AI應用。透過機器學習和深度學習，電腦已可開始學習基礎的病灶判讀和計量，協助病理醫師基本的辨識工作，讓病理醫師可以更快、更精準地給予診斷與病理資訊。舉例來說，荷爾蒙受體(ER, PR)、第二型類表皮生長因子受體(HER2)，及Ki-67的蛋白質表現量在決定乳癌的治療方針上非常重要。目前病理判讀的方式是病理醫師花費大量時間計數來給予表現量的評估。然而受限於人力時間，病理醫師無法在計算所有組織內的細胞(數千數萬顆細胞)，因此只能給予概估量。此種需要耗費大量人力時間的計數工作，正適合交由電腦運算，來達成快速、精準的定量。類似的應用還有計算腫瘤中的免疫細胞數目，肝硬化的纖維化程度，各種病灶中的血管增生程度等等。這些都是我們已知很可能與疾病發展和預後相關，但因難以量化，而難以在研究及臨床實務上應用的組織學資訊，未來皆可能因為有AI協助定量而有新的研究發現，以利更好的醫療服務。
最後，AI提供的影像分析不僅能幫助病理醫師判斷已知的組織學資訊，更可能提供我們目前未知的，但十分有意義的訊息。人類的影像辨識受限於大腦資料處理的能力，過於龐大、複雜的訊息我們可能看不出端倪，但電腦可以。舉例來說，因為我們無法計算所有腫瘤細胞間的距離，也無法大量運算，因此我們無法判斷腫瘤細胞的緊密程度是否是有意義的資訊，然而電腦就可以就此離散程度給予量化，提供新的、可供研究應用的數據。這些人類未知的訊息，也許會帶來疾病治療上突破性的發現。
在全影像掃描技術進步之下，數位病理在過去十年快速發展。從2017年第一套全影像掃描數位病理診斷流程通過FDA核准，可用於臨床病理診斷之用開始，數位病理在全球醫療診斷服務裡掀起一波新浪潮，台灣陸續也有多間醫療機構開始逐漸採用。未來相信數位病理流程的引進以及AI應用，將讓傳統病理診斷邁向新的一章，提供更好的醫療服務。