临床级前列腺病理中端到端学习与基础模型的对比分析
Comparative analysis of end-to-end learning and foundation models for clinical-grade prostate pathology
一项覆盖 15 个站点、6268 名患者逾 10 万份前列腺活检的研究显示,基础模型在数据稀缺场景有用,但在标注训练数据充足时其表现与任务专用模型收敛,部分情况下被超越。
基于 15 个站点、6268 名患者逾 10 万份活检的对比,给出了标注数据充足时基础模型与任务专用模型如何取舍的依据。
已发表论文 · journal · 10.1038/s41467-026-78996-7
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
使用自监督预训练的基础模型(FM)被广泛推崇为病理学的通用解决方案,但其相对于特定任务(TS)模型的优势仍不明确。在此,我们利用来自15个中心、6268名患者的超过100,000例前列腺活检样本表明:尽管基础模型在数据稀缺场景中展现出实用价值,但在标注训练数据充足时,其性能与特定任务模型趋于一致,甚至在某些情况下被后者超越。在充分训练条件下,与病理医生分级的一致性在内部队列中达到二次Cohen's kappa值0.91(95% CI 0.90-0.92;所有模型),在外部队列中分别为0.87(0.86-0.88;TS)、0.86(0.84-0.87;UNI FM)和0.85(0.84-0.86;Virchow2 FM)。特定任务训练显著降低了分级错误、疑难形态的误诊以及技术变异性。值得注意的是,基础模型的能耗最高可达其35倍。我们主张在构建稳健、资源高效且具临床应用价值的AI病理系统时,应同时考虑基础模型与端到端学习两种路径。
来源:Nature Communications · doi.org