全球每年新發(fā)癌癥病例約 1930 萬(wàn)，病理檢查是癌癥確診的 “金標(biāo)準(zhǔn)”，但全球范圍內(nèi)病理醫(yī)生嚴(yán)重短缺，發(fā)展中國(guó)家和資源匱乏地區(qū)的供需矛盾尤為突出。人工智能為自動(dòng)化病理診斷帶來(lái)新可能，卻面臨兩大核心難題：一是訓(xùn)練需海量標(biāo)注數(shù)據(jù)，二是缺乏通用性。即便現(xiàn)有病理基礎(chǔ)模型實(shí)現(xiàn)了泛癌癥特征提取，落地應(yīng)用仍需大量微調(diào)訓(xùn)練和專家資源，難以在資源匱乏地區(qū)推廣。在此背景下，開(kāi)發(fā)一款無(wú)需訓(xùn)練、僅靠少量樣本就能實(shí)現(xiàn)多癌種識(shí)別的通用系統(tǒng)，成為病理 AI 領(lǐng)域的迫切需求。

近日，香港科技大學(xué)李小萌教授團(tuán)隊(duì)、廣東省人民醫(yī)院張慶玲教授團(tuán)隊(duì)聯(lián)合張康教授、哈佛醫(yī)學(xué)院余坤興教授等 ， 在 Nature Cancer 上發(fā)表了文章PRET is a few-shot system for pan-cancer recognition without example training，提出全新的 PRET 泛癌種識(shí)別系統(tǒng)，為多癌種病理診斷打造了 “即插即用” 的全新解決方案。該系統(tǒng)的核心創(chuàng)新，是將自然語(yǔ)言處理領(lǐng)域的上下文學(xué)習(xí)概念，首次引入病理圖像分析領(lǐng)域。與傳統(tǒng) AI 方法不同，PRET 無(wú)需任何參數(shù)微調(diào)，僅在推理階段加入 1–8 張標(biāo)注切片作為 “視覺(jué)上下文”，就能完成學(xué)習(xí)與識(shí)別。其架構(gòu)包含特征提取器、上下文標(biāo)注器等六大核心模塊，可一站式支持癌癥篩查、腫瘤分型、腫瘤分割、淋巴結(jié)轉(zhuǎn)移檢測(cè)等多種病理診斷任務(wù)。

圖1 : PRET是一個(gè)面向多任務(wù)的統(tǒng)一框架

1. 大規(guī)模跨中心評(píng)估

為驗(yàn)證 PRET 的性能，研究團(tuán)隊(duì)在 23 個(gè)國(guó)際基準(zhǔn)數(shù)據(jù)集上開(kāi)展了大規(guī)模跨中心評(píng)估，數(shù)據(jù)集涵蓋中、美、荷多國(guó)醫(yī)院的 4484 張全切片圖像（約 1.24 億個(gè)圖像塊），涉及 18 種癌癥類型、9 個(gè)器官組織。評(píng)估結(jié)果顯示，PRET 在 23 個(gè)基準(zhǔn)任務(wù)中的 20 個(gè)上表現(xiàn)超越現(xiàn)有方法，15 個(gè)基準(zhǔn)任務(wù)的 AUC 值超 97%，在 CAMELYON16 數(shù)據(jù)集上性能提升幅度更是達(dá) 36.76%；其中結(jié)直腸癌篩查 AUC 值達(dá) 100%，食管鱗癌腫瘤分割 AUC 值達(dá) 99.54%，展現(xiàn)出優(yōu)異的基礎(chǔ)診斷能力。

圖2 : PRET 支持多器官、多數(shù)據(jù)集、多中心和多任務(wù)

2. 臨床級(jí)淋巴結(jié)轉(zhuǎn)移檢測(cè)

針對(duì) 臨床級(jí)淋巴結(jié)轉(zhuǎn)移檢測(cè)這一關(guān)鍵任務(wù) ， 在 CAMELYON16 數(shù)據(jù)集上，僅使用 8 張切片樣本，PRET 就實(shí)現(xiàn)了臨床級(jí)診斷效果。在 0.9875 的相同特異性條件下，其靈敏度較病理醫(yī)生常規(guī)診斷分別提升 42.86%、36.74%、26.53% 和 16.33%；五次重復(fù)實(shí)驗(yàn)中，AUC 值穩(wěn)定在 0.9834–0.9901 之間，平均值達(dá) 0.9871，而 11 位病理醫(yī)生 在常規(guī)時(shí)間限制下 的平均 AUC 值僅為 0.810。更值得關(guān)注的是，在數(shù)據(jù)量減少約 30 倍 時(shí)， PRET 的性能 超越了使用 243 張切片訓(xùn)練的 TransMIL、CLAM 等傳統(tǒng)多樣本方法。

3. 靈活的視覺(jué)提示系統(tǒng)

PRET 還設(shè)計(jì)了靈活的視覺(jué)提示系統(tǒng)，支持切片標(biāo)簽、邊界框、粗略 的 掩碼 和精準(zhǔn)的 掩碼四種提示類型，適配不同的標(biāo)注 成本 。研究發(fā)現(xiàn)，不同病理任務(wù)適配不同提示類型，甲狀腺乳頭狀癌、食管鱗癌等小腫瘤適合精細(xì)提示，結(jié)直腸癌、淋巴瘤等大腫瘤僅用切片標(biāo)簽，就能取得理想診斷效果。

4. 跨種族與欠發(fā)達(dá)地區(qū)的強(qiáng)泛化能力

在泛化能力上，PRET 同樣表現(xiàn)突出?？绶N族泛化實(shí)驗(yàn)中，基于 TCGA NSCLC 數(shù)據(jù)集的 8-shot 設(shè)置下，不同種族間的 AUC 最大差異僅 1.32%。針對(duì)資源匱乏地區(qū)的適用性驗(yàn)證中，研究團(tuán)隊(duì)選取中國(guó)的青海省開(kāi)展實(shí)驗(yàn)，PRET 在當(dāng)?shù)丶谞钕偃轭^狀癌基準(zhǔn)上，僅用 1 個(gè)樣本就取得 98.72% 的篩查 AUC 值和 89.85% 的 Dice 分割得分，較現(xiàn)有 基線 方法提升 9.85%。

總結(jié)與展望

PRET實(shí)現(xiàn)了病理AI領(lǐng)域的范式突破，其核心優(yōu)勢(shì)可概括為五個(gè)方面： （1）低數(shù)據(jù)成本 ，無(wú)需大規(guī)模標(biāo)注數(shù)據(jù)集； （2）單一泛癌模型 ，一個(gè)模型覆蓋多種癌癥和任務(wù)； （3）無(wú)需訓(xùn)練 ，新任務(wù)可直接使用； （4）強(qiáng)泛化性 ，跨種族、跨醫(yī)院表現(xiàn)穩(wěn)健； （5）高靈活性 ，可與多種病理基礎(chǔ)模型無(wú)縫集成。

展望未來(lái)，研究團(tuán)隊(duì)指出了多個(gè)發(fā)展方向：進(jìn)一步優(yōu)化切片和樣本質(zhì)量，持續(xù)提升診斷性能；將系統(tǒng)應(yīng)用范圍拓展至突變預(yù)測(cè)、預(yù)后分析等新的病理任務(wù)；結(jié)合大語(yǔ)言模型的能力，挖掘 PRET 視覺(jué)上下文學(xué)習(xí)的更多潛力，開(kāi)辟病理診斷 AI 的全新應(yīng)用場(chǎng)景。

PRET為全球病理AI的普惠化和公平化發(fā)展鋪平了道路，尤其有望為醫(yī)療資源匱乏地區(qū)、少數(shù)群體帶來(lái)高質(zhì)量的病理診斷支持，推動(dòng)癌癥診斷的可及性變革。

該文章的 通訊作者 為： 李 小 萌（香港科技大學(xué)）、張 慶 玲（廣東省人民醫(yī)院）、張康 ； 共同第一作者 為 ： 李 藝 、寧梓妤 。

代碼：https://github.com/xmed-lab/PRET

數(shù)據(jù)：https://huggingface.co/datasets/yili7eli/PRET

原文鏈接：https://www.nature.com/articles/s43018-026-01141-2

制版人： 十一

學(xué)術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個(gè)人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點(diǎn)擊主頁(yè)推薦活動(dòng)

關(guān)注更多最新活動(dòng)！