23項國際測試驗證AUC>97%，零樣本泛癌識別系統(tǒng)開啟病理診斷時代

編輯丨&

在當(dāng)前的數(shù)字病理學(xué)研究中，雖然 AI 在輔助癌癥診斷上展現(xiàn)了巨大潛力，但仍面臨一個嚴(yán)峻的現(xiàn)實(shí)：傳統(tǒng)的 AI 模型極其依賴海量的標(biāo)注數(shù)據(jù)。對于每一種新的疾病或每一個不同的醫(yī)院，模型往往需要進(jìn)行繁雜的重新訓(xùn)練。這種「一病一訓(xùn)」的模式不僅耗時耗力，更限制了技術(shù)在基層醫(yī)療機(jī)構(gòu)的普及。

針對這一痛點(diǎn)，香港科技大學(xué)及其合作團(tuán)隊開發(fā)了 PRET（Pan-cancer Recognition without Examples Training）系統(tǒng)。這不僅是一個技術(shù)的更迭，更是病理 AI 范式的根本性轉(zhuǎn)變——它實(shí)現(xiàn)了無需針對特定示例進(jìn)行訓(xùn)練的泛癌識別。

相關(guān)研究以「PRET is a few-shot system for pan-cancer recognition without example training」為題，于 2026 年 4 月 3 日發(fā)布在《Nature Cancer》。

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

從標(biāo)注依賴到上下文學(xué)習(xí)

傳統(tǒng)深度學(xué)習(xí)模型在處理病理全切片圖像（WSI）時，就像一個需要老師手把手教的孩子，每認(rèn)識一種腫瘤都需要成千上萬個標(biāo)注好的樣本。而 PRET 系統(tǒng)則采用了一種截然不同的「自學(xué)」模式，即上下文學(xué)習(xí)（ICL）。

它使模型能夠即時適應(yīng)新癌癥類型，并在推斷階段僅引用一到八張注釋的腫瘤切片，執(zhí)行癌癥篩查、腫瘤亞型和腫瘤切割等診斷任務(wù)。作為一個「即插即用」智能診斷工具，PRET 從根本上克服了傳統(tǒng)人工智能模型中針對任務(wù)的細(xì)致調(diào)優(yōu)需求。

圖示：PRET 概覽。

該系統(tǒng)借鑒了大型語言模型（LLM）中成熟的上下文學(xué)習(xí)理念，將其巧妙地轉(zhuǎn)化為視覺領(lǐng)域的「視覺提示」（Visual Prompts）。在推理階段，醫(yī)生只需提供極少數(shù)已知病變的示例作為上下文，PRET 就能在不更新任何模型參數(shù)的情況下，自動識別并分類新的病變區(qū)域。

在技術(shù)架構(gòu)上，PRET 針對病理圖像全切片（WSI）的特殊性，摒棄了傳統(tǒng)方法中容易丟失局部細(xì)節(jié)的「平均特征」或簡單的「原型匹配」。研究團(tuán)隊引入了專門設(shè)計的上下文標(biāo)記器（In-context Tagger）和上下文分類器（In-context Classifier）。

上下文標(biāo)記器負(fù)責(zé)在特征空間中精確捕捉每個小方塊（Patch）的細(xì)微紋理與空間信息，而上下文分類器則通過對比待測樣本與上下文示例之間的局部相似性，實(shí)現(xiàn)精準(zhǔn)判別。這種方法讓模型不僅具備了病理學(xué)大模型的全局視野，更保留了對微小癌變浸潤灶的敏感度，解決了傳統(tǒng)病理 AI 模型在處理復(fù)雜異質(zhì)性組織時特征被稀釋的難題。

多中心基準(zhǔn)的性能跨越

研究團(tuán)隊利用來自中國大陸、美國和荷蘭醫(yī)療機(jī)構(gòu)的 23 個國際基準(zhǔn)數(shù)據(jù)集，涵蓋 18 種癌癥類型及多種診斷任務(wù)，對 PRET 系統(tǒng)進(jìn)行了全面驗證。結(jié)果顯示，系統(tǒng)在 20 項任務(wù)中優(yōu)于現(xiàn)有方法，其中 15 項任務(wù)中其曲線下面積（AUC）——一種診斷準(zhǔn)確度的衡量標(biāo)準(zhǔn)——超過了 97%。

圖示：癌癥篩查與分型的性能表現(xiàn)。

相比傳統(tǒng)基準(zhǔn)方法，其性能提升幅度最高達(dá)到了 36.76% 。這種跨越式提升源于 PRET 能夠靈活地利用基礎(chǔ)模型（Foundation Models）中預(yù)存的通用病理知識，并結(jié)合當(dāng)前的上下文示例進(jìn)行動態(tài)調(diào)整。

這意味著，即使在不同醫(yī)院之間存在圖像色彩偏差或切片厚度差異，PRET 依然能通過上下文示例的校準(zhǔn)，準(zhǔn)確鎖定癌變區(qū)域，克服了 AI 模型常見的「水土不服」現(xiàn)象。

此外，PRET 的高效性還體現(xiàn)在其對少樣本甚至單樣本任務(wù)的處理能力上。在某些極其罕見的亞型癌癥診斷中，醫(yī)生往往難以收集到足夠的訓(xùn)練樣本，而 PRET 僅需一到兩個參考示例即可開始工作的特性，填補(bǔ)了罕見病 AI 診斷的空白。

圖示：在少數(shù)群體、服務(wù)不足地區(qū)和外部醫(yī)院的泛化性能。

研究團(tuán)隊還發(fā)現(xiàn)，PRET 不僅能處理視覺信息，其框架設(shè)計也具備與病理報告等文本信息進(jìn)行多模態(tài)整合的潛力，為未來構(gòu)建全自動、高智能的病理會診系統(tǒng)奠定了堅實(shí)基礎(chǔ)。

無需訓(xùn)練的應(yīng)用架構(gòu)

PRET 系統(tǒng)過無需訓(xùn)練的架構(gòu)設(shè)計解決了數(shù)據(jù)標(biāo)注與模型更新的瓶頸，利用上下文標(biāo)記器捕捉了深層的局部病理特征，并在 23 項國際基準(zhǔn)中刷新了性能上限。

這種從死記硬背到邏輯理解的進(jìn)化，不僅提升了 AI 診斷的精確度，更極大地降低了前沿技術(shù)在臨床落地的門檻。隨著這種模式的普及，可以預(yù)見的是，未來的癌癥早期篩查將變得更加精準(zhǔn)、高效且觸手可及。

相關(guān)鏈接：https://medicalxpress.com/news/2026-04-play-ai-cancer.html