深度解析医学证据，lxfs.net为你支撑决策

病理诊断是疾病治疗方案制订与预后评估的核心依据，病理图像的智能化分析对提升诊断效率与一致性水平至关重要。全切片图像（WSI）是数字化的病理切片，包含细胞、组织海量形态学信息，具有空间异质性强、结构复杂、尺度跨度大等特点，给自动化病理图像分析算法的设计带来了极大挑战。

在此背景下，病理基础模型凭借大规模预训练带来的强泛化性与多任务适配能力，在病理图像分析与辅助诊断方面取得了突破性进展，并受到广泛关注。随着病理基础模型技术体系的快速迭代，其临床转化路径与应用前景也受到持续关注。近年来，病理基础模型综述多聚焦于算法架构与性能提升，但真正决定临床价值的并非模型精度，而是临床可用性证据是否充足。本文以病理大模型功能分支为主要脉络，临床可用性为重要标准，从技术角度对现有模型进行系统性介绍与评估。

1 WSI分析范式和病理基础模型概述

1.1 WSI分析的核心范式：多实例学习

WSI是数字病理的核心数据载体，其单张切片像素规模可达数十亿级，且病理形态学特征具有显著的空间异质性和关联性，具有规模庞大、结构复杂的核心特点。WSI超大规模图像无法直接输入传统深度学习模型，这种技术瓶颈使多实例学习（MIL）^[1]成为当前数字病理图像分析领域的主流核心范式。此范式将单张完整的WSI定义为MIL框架中的1个包（bag），通过滑动窗口策略将其拆解为数以万计的固定小尺寸图块（patch）作为包内的实例（instance）。经图块编码器特征提取、特征聚合生成全切片级（slide-level）全局表征后，用于下游临床诊断任务。

早期计算病理采用固定范式：图块编码器多为基于ImageNet自然图像数据集^[2]预训练后微调的ResNet^[3]列网络，特征聚合环节则以基于注意力机制的ABMIL^[4]为代表，虽已被广泛应用，但基于自然图像预训练的通用编码器未适配病理专属形态学特征，存在跨中心泛化差、特征表征不足等缺陷，无法满足真实临床场景的稳定性要求，成为性能提升的核心瓶颈。

1.2 病理基础模型分支体系与技术延伸

Shao等^[5]研究证实，迁移经过规模预训练的模型可显著提升MIL在下游任务的性能，并能缓解传统方法的泛化瓶颈。基于此，病理基础模型沿MIL技术路径体系化迭代，依据核心功能定位与输入数据形式，可划分为图块级基础模型与全切片级基础模型两大核心分支。这一功能划分本质上对应MIL框架中“实例特征提取”与“全局特征聚合”两个关键环节，分别解决病理图像分析中“细粒度级形态表征”与“病例级全切片表征”的核心问题。

图块级基础模型以标准化固定尺寸的病理图块为输入数据，核心功能是学习细胞、组织层面的细粒度形态学特征，替代传统基于自然图像预训练的通用编码器，实现病理专属特征的高效表征。其既是计算病理体系的核心特征底座，亦可直接独立适配组织或细胞分割、免疫组化定量分析、虚拟染色等重复性高、对局部细节要求高的临床任务。全切片级基础模型以全切片拆解后的图块特征序列为输入数据，核心功能是建模全切片肿瘤微环境的空间异质性与长程关联，实现从局部特征到全切片表征的精准整合。其主要面向肿瘤分级和分期、预后风险分层、治疗反应预测等核心临床任务，输出与病理医生最终决策直接相关的患者级诊断。

在两大核心功能分支基础上，病理基础模型可进一步实现两大维度的技术延伸。

1 多模态信息融合延伸：在病理图像数据外，纳入病理诊断文本、分子组学数据、临床诊疗信息、放射学/医学影像学等多源异构数据，通过跨模态语义对齐技术实现多维医疗信息的统一表征，突破单一形态学数据的信息边界，显著提升模型在肿瘤精准诊疗场景中的临床价值；

2 全流程功能延伸：将能力边界从核心特征提取与临床诊断任务，拓展至病理报告标准化生成、罕见病智能识别、切片智能检索等病理全工作流环节，形成覆盖诊疗全流程的多功能模型体系。

1.3 病理基础模型的预训练技术底座

预训练技术是病理基础模型的核心底层支撑，其演进始终围绕解决病理标注数据稀缺、通用模型特征适配性差的临床痛点展开，目前已形成自监督预训练与跨模态对比学习两种成熟技术路径，共同构成病理基础模型的底层技术支撑。

自监督预训练是当前主流预训练范式，核心优势是完全摆脱标注依赖，其经典技术路径以对比学习（SimCLR^[6-7]、MoCo^[8]、iBOT^[9]、DINO^[10-11]等）和掩码自编码器（MAE）^[12]为代表，通过数据增强或掩码重建任务，驱使模型学习病理图像的本质特征。2022年，Chen等^[13]首次系统验证了自监督范式和ViT^[14]用于病理特征提取模型预训练的可行性，为后续大规模模型训练奠定了方法学基础。该技术直接利用日常诊疗积累的海量无标注切片完成训练，可大幅降低标注成本，为各级医院本地化模型微调提供了可行路径。

跨模态对比学习则能拓展模型信息边界，利用长期诊疗积累的弱配对数据（例如同一患者的病理切片-报告-影像学数据对），通过跨模态语义对齐，使模型在特征学习阶段建立“形态-临床语义”关联。其经典框架包括CLIP系列^[15-16]、CoCa^[17]等，可将病理图像、文本、分子组学等多模态数据映射并对齐至统一特征空间，实现多模态信息的统一表征。人工智能（AI）相关术语解释见表1。

表1 常用人工智能术语释义

1.4 临床可用性：从实验室性能到临床价值的核心标尺

病理基础模型在技术层面已取得突破，但实验室性能优异并不一定适合临床应用。现有研究多聚焦于模型精度提升，而真正决定模型能否进入临床常规工作的核心为临床可用性证据是否充分。

2 病理基础模型技术进展

病理基础模型作为数字病理分析的核心特征提取载体，目前已形成以自监督预训练和跨模态预训练为底层预训练支撑，覆盖图块级、全切片级、多模态、多模型融合的完整功能体系分支，不同分支的临床成熟度与适用场景存在显著差异。

2.1 图块级基础模型：临床成熟度最高的技术分支

图块级基础模型对应MIL范式的实例编码器部分，核心目标为学习病理图块的细粒度形态学特征，除为下游全切片级任务提供高质量图块级表征外，可直接适配组织或细胞分割等临床场景。其输入数据为标准化固定尺寸图像，可直接复用自然图像领域成熟的预训练架构与技术体系，是病理基础模型领域发展最迅速、技术体系最完善的分支。

该领域已形成多代代表性模型：PLIP作为开创性模型，通过收集医疗社交媒体平台Twitter与公开数据库中的20余万张病理图像-文本数据对，采用CLIP跨模态对比学习架构在病理学领域进行图文对齐预训练^[18]；

UNI模型使用来自多个医疗机构的10万余张非公开苏木精-伊红（HE）染色全切片图像^[19]，基于DINOv2^[11]监督学习架构，依托大规模病理数据与ViT-L主干网络学习通用视觉特征；

CONCH使用PubMed文献与病理教育资源的117万组病理图像-文本数据对，基于CoCa对比学习架构，构建统一视觉语言表征^[20]；

QuiltNet创新性利用语音识别技术，从YouTube病理学教学视频中提取专家讲解文本，构建了包含100万图文数据对的Quilt-1M数据集，有效拓展了病理多模态数据的来源，且从视频中提取的叙述性文本具备更强的逻辑性与专业完整性^[21]；

PathChat则在UNI视觉特征基础上，融合Llama2大语言模型构建多模态生成模型，实现了病理图像的开放式问答与标准化报告生成^[22-23]。

上述代表性模型虽具有优异性能，但验证工作均局限于回顾性、经筛选的公开或私有数据集，未在真实临床连续入组队列中开展前瞻性评估，且均存在应用短板：PLIP训练数据来源于非临床场景的社交平台，数据合规性与临床代表性不足；UNI更多作为通用特征编码器使用，在下游临床任务中的跨中心泛化性与可解释性不足，无法满足临床诊疗的安全性与合规性要求；CONCH未验证跨中心染色、制片流程差异下的模型鲁棒性；QuiltNet训练数据均源于教学场景的典型病例，缺乏真实临床中复杂、不典型及边缘病例，且语音识别转写可能引入专业术语错误，影响文本数据质量与模型语义对齐精度；生成式模型如PathChat则存在输出不可控的幻觉风险。目前，所有公开的图块级学术模型均未完成多中心临床验证与医疗器械监管审批，仅适用于临床科研探索，暂不具备常规临床应用条件。

尽管代表性模型存在一定短板，但图块级基础模型仍是当前临床转化潜力最大、技术体系最成熟的分支，是目前唯一有产品通过临床试验并获得医疗器械注册证的病理AI技术路线。目前已完成临床试验并获批的闭源商业产品^[24-26]均基于图块级技术路线开发，覆盖乳腺癌前哨淋巴结转移检测、前列腺癌病灶筛查等临床场景。采用“模型定位细粒度病灶证据+病理医生复核确认”的人机协作模式，可减少医生的重复性劳动，提升诊断一致性与灵敏度。

2.2 全切片级基础模型：面向核心临床任务的技术探索

全切片级基础模型主要针对肿瘤分级分期、预后预测等患者级核心临床需求研发。此类模型通常复用预训练的图块级编码器，通过长序列Transformer^[27]架构实现全切片全局特征的端到端建模，能捕捉肿瘤微环境的空间异质性与远距离关联特征。受全切片图像超大数据规模与肿瘤组织高度异质性的制约，全切片级模型的技术发展与临床转化进度显著滞后于图块级模型，且模型决策依据的可解释难度远高于图块级任务。

全切片级基础模型研发经历了从技术可行性验证到临床数据探索阶段。TransMIL首次将Transformer架构引入全切片特征聚合环节，验证了长序列建模在WSI全局表征学习中的可行性，为后续大规模全切片基础模型的研发奠定了方法学基础^[28]。但该模型仅基于小规模公开数据集完成技术验证，未开展临床队列评估，属于概念验证级模型。在此基础上，后续研究逐步引入大规模临床数据训练更大参数规模的全切片级基础模型。

Provi-GigaPath是首个真正意义的全切片级基础模型，其基于17万张真实临床病理切片数据训练，通过LongViT稀疏自注意力突破长序列计算瓶颈，结合MAE自监督架构实现全切片级别病理学基础模型预训练^[29-30]。Titan模型利用包含30余万张WSI的Mass-340K数据集，结合PathChat生成的42万对细粒度描述与18万全切片级别病理报告进行多尺度图文对齐，在全切片级别使用CoCa图文对比学习框架实现切片与文本的跨模态对齐，并创新采用二维ALiBi位置编码实现全切片长上下文建模^[31-32]。

从临床应用角度，全切片级基础模型可直接对患者进行诊断与预后信息预测，与病理医生的最终决策逻辑更为契合，理论上具有更高的临床价值。但此类模型训练和计算成本高、推理速度慢，且决策过程的可解释性远低于图块级模型。目前，多数模型仅完成单中心回顾性验证，缺乏跨中心泛化性与前瞻性临床试验数据验证，暂不具备常规临床应用条件，仅适用于科研探索。

2.3 多模态病理基础模型：支撑肿瘤精准诊疗的前沿方向

多模态病理基础模型旨在突破单一HE染色切片的信息边界，融合多重免疫荧光、空间转录组学、影像学诊断、病历资料等多模态数据，为分子标志物预测、预后风险分层评估、治疗反应评估等精准诊疗场景提供支撑。其核心逻辑为通过跨模态对比学习实现模态特征对齐，驱使图像编码器学习融合分子语言、临床语义的病理表征；在推理阶段，HE模态的编码基础模型输出的特征已与分子、文本等模态完成统一向量空间映射对齐，从而具备更丰富的生物学内涵与临床语义信息，突破了单模态病理图像的信息边界。

mSTAR模型使用来自癌症基因组图谱（TCGA）及多中心临床队列的10 275例患者的26 169组多模态数据，创新提出两阶段多模态自监督预训练范式，首次融合病理切片、报告、基因表达三种模态，并将全切片信息注入图块特征^[33]。THREADS使用来自多中心的近5万张HE染色全切片图像（部分配套基因组与转录组学数据），创新地以分子组学为监督信号引导全切片表征学习，实现了病理学图像与分子特征的深度对齐^[34]。VORTEX则进一步拓展至三维维度，在前列腺癌、乳腺癌、结直肠癌3个癌种超过26万组三维组织形态-空间转录组学配对数据上完成跨模态预训练对齐，实现了基于非破坏性三维组织成像的全体积高分辨率三维空间转录组预测^[35]。

多模态病理基础模型展现出的良好科研潜力，可为无法开展分子病理检测的基层医院提供低成本辅助筛查手段，也可为三甲医院病理科提供分子病理学检查结果的交叉验证参考。但多模态数据的获取难度大、标准化程度低，且不同模态语义对齐的可解释性仍存在技术挑战。目前，多数模型仅完成了回顾性数据集验证，缺乏前瞻性临床试验证据，其预测结果不可单独作为临床诊疗依据，仅适用于科研探索。

2.4 多模型融合技术：提升临床泛化性的重要路径

模型融合技术主要解决单模型跨中心泛化性不足的核心痛点。受训练数据偏倚的影响，单一基础模型往往对训练来源的数据表现优异，但在其他机构的真实临床数据中，性能出现显著下降^[36]，这是多数病理AI模型无法规模化部署的主要原因之一。通过特征融合、知识蒸馏^[37]等方法聚合多个基础模型的共性有效信息，能有效降低数据偏倚的影响，提升模型在真实世界场景中的稳定性。

COBRA以Mamba2为核心编码器，创新地在特征空间中利用多基础模型和多放大倍率作为数据增强的无监督切片表征学习方法，实现了极高的数据效率（仅用3000张切片就超越了采用数十万张训练的当前最优模型）^[38]。但其预训练数据未纳入不同地域、制片流程异质性的临床样本，所有验证均基于回顾性公开数据集，泛化能力在真实临床场景中的普适性仍需进一步验证。GPFM基于数据源的72 280张全切片图像，创新性地提出结合专家知识蒸馏与自蒸馏的统一预训练框架，通过整合不同基础模型的知识，构建通用病理学基础模型^[39]。但其性能上限受限于教师模型的固有泛化能力，所有验证均基于回顾性数据集，未开展真实临床连续入组的前瞻性数据评估与长期稳定性验证。

总体而言，多模型融合是解决单基础模型跨中心泛化性不足、实现病理AI规模化临床部署的重要技术方向之一，理论上可适配不同医院的扫描设备、染色批次造成的数据异质性，降低模型部署后的性能波动与成本维护。但目前该技术仍处于实验室优化阶段，相关研究均未纳入真实临床连续入组的异质性病例，也缺乏长期运行的稳定性与鲁棒性评估。因此，该技术虽展现出良好的科研潜力，但距离临床常规应用仍有差距。

3 病理基础模型临床转化瓶颈、评估体系与未来展望

当前，病理基础模型在表征学习与多模态建模领域已取得突破性进展，但其临床转化进程显著滞后于技术发展速度。从实验室原型至临床常规应用，现有模型面临数据异质性、可解释性缺失、风险控制能力不足等多重核心瓶颈，而问题的根源在于缺乏统一、科学的临床可用性评估体系与完整的临床证据链。面向真实临床工作流，不同技术路线的病理基础模型呈现明显的临床成熟度差异，其中多智能体协同技术通过模拟人类病理医生的多步骤诊断逻辑，为破解单一模型的能力边界、实现全流程智能化辅助提供了最具前景的解决方案。

3.1 病理基础模型临床可用性评估体系

病理基础模型的临床可用性是指其在真实病理科常规工作中能够提供有价值的辅助决策，且不增加临床风险，符合医疗质量与监管要求的核心属性。临床可用性需从5个维度综合判断，构成模型进入临床应用的完整证据链，包括与高年资病理学专家诊断高度吻合的诊断一致性^[24]，在不同医疗中心、扫描设备及制片染色环境中保持稳定的多中心泛化性^[36]，对低质量图像、罕见病例及边缘样本具备容错与风险预警能力的鲁棒安全性^[40]，决策过程可追溯且推理置信度提示具有可靠的可解释性^[41]，以及符合伦理与隐私要求、无缝对接现有系统并满足临床准入资质的合规性与工作流适配性。

结合上述证据体系，将病理基础模型的临床成熟度从低至高划分为4级，以明确各阶段核心判定标准与临床应用边界：

1 将仅完成公开数据集层面的技术可行性验证、未开展任何临床队列研究的模型定义为概念验证级，仅限前沿技术基础研究，不可用于任何临床相关场景；

2 将仅完成单中心或公开数据集回顾性性能验证、缺乏多中心临床证据与合规性证据的模型，定义为科研探索级，仅限临床科研与回顾性队列研究，不可用于任何临床诊疗场景；

3 将已完成外部中心验证且性能稳定、通过回顾性临床有效性验证并与金标准诊断一致、具备明确可解释性与风险控制方案的模型，定义为临床验证级，仅限院内伦理审批后的科研性试用，不可独立作为临床诊疗依据；

4 将已获得医疗器械注册证、完成多中心前瞻性临床试验并证实临床有效性与安全性、完成工作流适配性验证的模型，定义为临床可用级，可作为医生辅助工具，常规用于临床病理学诊断，最终诊断仍需病理科医生复核确认。

代表性病理基础模型、技术路线及其临床成熟度分级见表2。

表2 代表性病理基础模型

3.2 临床转化的核心瓶颈

受训练数据分布偏倚影响，现有模型多基于单中心或公开数据集构建，难以适配真实临床中复杂的异质性场景，不同品牌扫描仪成像、病理科制片与染色流程、地域人群疾病谱的差异，均会导致模型性能出现显著波动。研究显示，单一基础模型在非训练来源的外部中心数据上性能会出现显著下降^[36]，这种“中心特异性”导致模型无法跨院通用，是目前病理AI无法实现规模化临床部署的首要障碍。

同时，病理学诊断具有法律属性，要求诊断结论必须可追溯、可解释，但现有模型多为“黑盒”系统，仅能输出诊断结果或粗略的注意力热图，无法提供符合病理学诊断规范的特征描述与推理依据，导致病理科医生无法验证其决策的合理性。此外，现有模型的置信度评估体系不完善，对低质量切片、罕见病、交叉污染等病例的风险预警能力不足，存在潜在的漏诊、误诊风险，难以满足临床需求。

3.3 前沿技术方向：多智能体技术

病理基础模型临床转化瓶颈的核心是单一病理基础模型的能力边界与临床病理诊断流程复杂需求之间的矛盾。病理学诊断本质上是一个多步骤、多维度的认知过程，涵盖切片预处理、病灶筛查、特征分析、鉴别诊断、报告生成与复核等完整链条，要求系统同时具备高精度、可解释性与全流程覆盖能力；而病理基础模型仅擅长完成单一任务，无法独立满足上述复杂临床需求。因此，需在基础模型上构建能模拟医生诊断逻辑的系统级架构，通过多个专用基础模型的分工协作与信息交互突破单一模型的能力限制。

其中，多智能体协同技术正是通过精准拆解病理学诊断的多步骤认知过程，为每个环节匹配经过专属优化的基础模型，并通过智能体间的信息交互与交叉校验实现端到端的智能化分析，是当前破解上述临床转化瓶颈、实现病理全流程智能化辅助最具前景的前沿方向。

PathFinder是面向病理学诊断的多模态多智能体系统的代表，包含分诊、导航、描述、诊断4个核心智能体，分别负责全切片图像快速初筛、模拟病理科医生阅片轨迹迭代定位高价值病灶、生成病灶的精准自然语言病理学特征描述，以及整合多轨迹文本证据并通过多数投票输出最终分级诊断^[41]。其决策全程可追溯，形成病灶采样坐标-特征描述-诊断结论完整证据链，契合病理医生的临床诊断思维。Truhn等^[42]研究指出，多智能体系统不仅可用于临床诊断，还能应用于大规模临床队列分析、临床试验患者筛选、肿瘤生物标志物挖掘等场景，可显著提升医学研究效率。

目前，病理基础模型的多智能体技术仍处于实验室验证阶段，存在计算成本高、推理速度慢、多智能体协作机制不完善等问题，尚需开展多中心前瞻性临床试验加以验证。但该技术路线实现了病理AI从“给出结果”向“解释结果”的转变，为解决临床信任问题提供了关键技术支撑。

4 小结与展望

本文以临床可用性为标尺，梳理了病理基础模型的技术体系与研究进展。当前病理基础模型已形成完善的技术体系，但普遍存在“实验室性能强、临床证据不足”的问题；图块级基础模型是唯一存在结果临床验证、获得器械许可证的技术路线，全切片级、多模态及多模型融合技术仍处于科研探索阶段，暂不具备常规临床应用条件。

未来研究需从“追求实验室指标”向“补齐临床可用性证据”转变，优先开展多中心前瞻性临床试验。模型发展短期内，多模型融合将成为提升跨中心泛化性的关键路径；发展中期阶段，多智能体协同将逐步实现病理学诊断的全流程智能化辅助；长期发展阶段，多模态多智能体系统有望支撑肿瘤精准诊疗，最终推动病理学诊断向更高效、精准、同质化方向发展。

参考文献

［1］Dietterich T G,Lathrop R H,Lozano-pérez T. Solving the multiple instance problem with axis-parallel rectangles［J］. Artif Intell,1997,89(1/2): 31-71.

［2］Russakovsky O,Deng J,Su H,et al. ImageNet large scale visual recognition challenge［J］. Int J Comput Vis,2015,115(3): 211-252.

［3］He K M,Zhang X Y,Ren S Q,et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Las Vegas,NV,USA: IEEE,2016: 770-778.

［4］Ilse M,Tomczak J,Welling M. Attention-based deep multiple instance learning［C］//Proceedings of the 35th International Conference on Machine Learning. Cambridge: PMLR,2018: 2127-2136.

［5］Shao D,Chen R J,Song A H,et al. Do multiple instance learning models transfer?［C］//Proceedings of the 42nd International Conference on Machine Learning. Cambridge: PMLR,2025: 54219-54238.

［6］Chen T,Kornblith S,Norouzi M,et al. A simple framework for contrastive learning of visual representations［C］//Proceedings of the 37th International Conference on Machine Learning. Cambridge: JMLR,2020: 149.

［7］Chen T,Kornblith S,Swersky K,et al. Big self-supervised models are strong semi-supervised learners［C］//Proceedings of the 34th International Conference on Neural Information Processing Systems. Vancouver,BC,Canada: Curran Associates Inc.,2020: 1865.

［8］He K M,Fan H Q,Wu Y X,et al. Momentum contrast for unsupervised visual representation learning［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). Seattle,WA,USA: IEEE,2020: 9726-9735.

［9］Zhou J,Wei C,Wang H,et al. iBOT: image BERT pre-training with online tokenizer［DB/OL］.(2022-01-27)［2026-06-15］. http://arxiv.org/abs/2111.07832.

［10］Caron M,Touvron H,Misra I,et al. Emerging properties in self-supervised vision transformers［C］//2021 IEEE/CVF International Conference on Computer Vision(ICCV). Montreal,QC,Canada: IEEE,2021: 9630-9640.

［11］Oquab M,Darcet T,Moutakanni T,et al. DINOv2: learning robust visual features without supervision［EB/OL］.(2024-02-02)［2026-06-15］. http://arxiv.org/abs/2304.07193.

［12］He K M,Chen X L,Xie S N,et al. Masked autoencoders are scalable vision learners［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). New Orleans,LA,USA: IEEE,2022: 15979-15988.

［13］Chen R J,Krishnan R G. Self-supervised vision trans-formers learn visual concepts in histopathology［EB/OL］.(2022-03-01)［2026-06-15］. http://arxiv.org/abs/2203.00585.

［14］Dosovitskiy A,Beyer L,Kolesnikov A,et al. An image is worth 16x16 words: transformers for image recognition at scale［EB/OL］.(2021-06-03)［2026-06-15］. http://arxiv.org/abs/2010.11929.

［15］Radford A,Kim J W,Hallacy C,et al. Learning transferable visual models from natural language supervision［C］//Proceedings of the 38th International Conference on Machine Learning. Cambridge: PMLR,2021: 8748-8763.

［16］Li J,Li D,Xiong C,et al. BLIP: bootstrapping language-image pre-training for unified vision-language understanding and generation［C］//Proceedings of the 39th International Conference on Machine Learning. Cambridge: PMLR,2022: 12888-12900.

［17］Yu J,Wang Z,Vasudevan V,et al. CoCa: contrastive captioners are image-text foundation models［EB/OL］.(2022-06-14)［2026-06-15］. http://arxiv.org/abs/2205.01917.

［18］Huang Z,Bianchi F,Yuksekgonul M,et al. A visual-language foundation model for pathology image analysis using medical Twitter［J］. Nat Med,2023,29(9): 2307-2316.

［19］Chen R J,Ding T,Lu M Y,et al. Towards a general-purpose foundation model for computational pathology［J］. Nat Med,2024,30(3): 850-862.

［20］Lu M Y,Chen B W,Williamson D F K,et al. A visual-language foundation model for computational pathology［J］. Nat Med,2024,30(3): 863-874.

［21］Ikezogwo W O,Seyfioglu M S,Ghezloo F,et al. Quilt-1M: one million image-text pairs for histopathology［J］. Adv Neural Inf Process Syst,2023,36(DB1): 37995-38017.

［22］Lu M Y,Chen B,Williamson D F K,et al. A multimodal generative AI copilot for human pathology［J］. Nature,2024,634(8033): 466-473.

［23］Touvron H,Martin L,Stone K,et al. Llama 2: open foundation and fine-tuned chat models［EB/OL］.(2023-07-19)［2026-06-15］. http://arxiv.org/abs/2307.09288.

［24］Van dooijeweert C,Flach R N,Ter hoeve N D,et al. Clinical implementation of artificial-intelligence-assisted detection of breast cancer metastases in sentinel lymph nodes: the CONFIDENT-B single-center,non-randomized clinical trial［J］. Nat Cancer,2024,5(8): 1195-1205.

［25］Retamero J A,Gulturk E,Bozkurt A,et al. Artificial intelligence helps pathologists increase diagnostic accuracy and efficiency in the detection of breast cancer lymph node metastases［J］. Am J Surg Pathol,2024,48(7): 846-854.

［26］Raciti P,Sue J,Retamero J A,et al. Clinical validation of artificial intelligence-augmented pathology diagnosis demonstrates significant gains in diagnostic accuracy in prostate cancer detection［J］. Arch Pathol Lab Med,2023,147(10): 1178-1185.

［27］Vaswani A,Shazeer N,Parmar N,et al. Attention is all you need［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach,California,USA: Curran Associates Inc,2017: 6000-6010.

［28］Shao Z,Bian H,Chen Y,et al. TransMIL: transformer based correlated multiple instance learning for whole slide image classification［J］. Advances in Neural Information Processing Systems,2021,34: 2136-2147.

［29］Xu H W,Usuyama N,Bagga J,et al. A whole-slide foundation model for digital pathology from real-world data［J］. Nature,2024,630(8015): 181-188.

［30］Wang W,Ma S,Xu H,et al. When an image is worth 1,024 x 1,024 words: a case study in computational pathology［EB/OL］.(2023-12-06)［2026-03-22］. https://arxiv.org/abs/2312.03558.

［31］Ding T,Wagner S J,Song A H,et al. A multimodal whole-slide foundation model for pathology［J］. Nat Med,2025,31(11): 3749-3761.

［32］Press O,Smith N A,Lewis M. Train short,test long: attention with linear biases enables input length extrapolation［EB/OL］.(2022-04-22)［2026-06-15］. http://arxiv.org/abs/2108.12409.

［33］Xu Y X,Wang Y H,Zhou F T,et al. A multimodal knowledge-enhanced whole-slide pathology foundation model［J］. Nat Commun,2025,16(1): 11406.

［34］Vaidya A,Zhang A,Jaume G,et al.Molecular-driven foundation model for oncologic pathology［EB/OL］.(2025-01-28)［2026-06-15］. http://arxiv.org/abs/2501.16652.

［35］Almagro-Pérez C,Song A H,Weishaupt L,et al. AI-driven 3D spatial transcriptomics［EB/OL］.(2025-02-25)［2026-06-15］. http://arxiv.org/abs/2502.17761.

［36］De Jong E D,Marcus E,Teuwen J. Current pathology foundation models are unrobust to medical center differences［EB/OL］.(2025-02-01)［2026-06-15］. http://arxiv.org/abs/2501.18055.

［37］Hinton G,Vinyals O,Dean J. Distilling the knowledge in a neural network［EB/OL］.(2015-03-09)［2026-06-15］. http://arxiv.org/abs/1503.02531.

［38］Lenz T,Neidlinger P,Ligero M,et al. Unsupervised foundation model-agnostic slide-level representation learning［C］//2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). Nashville,TN,USA: IEEE,2025: 30807-30817.

［39］Ma J B,Guo Z R,Zhou F T,et al. A generalizable pathology foundation model using a unified knowledge distillation pretraining framework［J］. Nat Biomed Eng,2026,10(3): 545-564.

［40］Kömen J, De jong E D,Hense J,et al. Towards robust foundation models for digital pathology［J］. Nat Commun,2026,17(1): 5218.

［41］Ghezloo F,Seyfioglu M S,Soraki R,et al. Pathfinder: A Multi-Modal Multi-Agent system for medical diagnostic decision-making applied to histopathology［C］//2025 IEEE/CVF International Conference on Computer Vision(ICCV). Honolulu,HI,USA: IEEE,2025: 23431-23441.

［42］Truhn D,Azizi S,Zou J,et al. Artificial intelligence agents in cancer research and oncology［J］. Nat Rev Cancer,2026,26(4): 256-269.

阅读全文

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP