导读

近年来，基础模型（Foundation Models）在计算病理学（Computational Pathology）中的应用成为研究热点。计算病理学模型的发展带来了确保它们在各种诊断任务和癌症类型中的可解释性和泛化性的需求。然而，处理庞大的组织病理学数据集（通常包含图像和生物医学描述性文本）仍是一项严峻挑战。

Mahmood教授团队提出一种基于自监督学习的通用病理学基础模型——UNI，通过大规模组织切片图像预训练，学习可迁移的病理特征表示。该模型在多种下游任务（如肿瘤分型、预后预测）中表现优异，验证了单一模型跨任务泛化的潜力，打破了传统任务特异性模型的局限，为病理学AI的标准化和规模化奠定基础。

同时，该研究团队构建了多模态病理模型——CONCH，联合组织图像与临床文本（如病理报告），通过对比学习对齐视觉-语言特征，验证了该模型在图像描述生成、报告辅助诊断等任务中显著优于单模态方法，展现了多模态交互的临床价值。这也推动了病理AI从“纯视觉分析”迈向“多模态理解”，更贴近临床医生工作流程。

两篇研究共同指向了基础模型在病理学中的核心价值——通过预训练技术减少对标注数据的依赖，并增强模型的可解释性和泛化能力。未来，此类模型或成为数字病理平台的底层引擎，助力精准诊断、预后预测甚至新生物标志物发现（Nat Cancer. 2024 Dec;5(12):1790. doi: 10.1038/s43018-024-00837-7）。

Tags： 读书报告 | 基础模型在临床肿瘤学的应用