综述：精准肿瘤学中的计算病理学：从特定任务模型向基础模型的演变

《Chinese Medical Journal》：Computational pathology in precision oncology: Evolution from task-specific models to foundation models

病理图像基础模型在精准肿瘤学中的应用与挑战。

　　在人工智能技术迅猛发展的背景下，计算病理学（Computational Pathology）正在经历一场深刻的变革。计算病理学通过将数字病理图像与临床数据、基因组信息等整合，为疾病诊断、治疗、预后评估和生物标志物发现等临床任务提供了强有力的支持。随着人工智能在计算机视觉和自然语言处理等领域的不断突破，计算病理学已经逐步融入到临床工作流程的各个环节中，从而显著提高了诊断的准确性、治疗的效率以及对患者预后的预测能力。传统的计算病理学研究通常依赖于大量、专门标注的临床数据集，并基于这些数据构建针对特定任务的模型。然而，这种模式存在诸多限制，例如数据获取和标注成本高昂，数据集的多样性不足，以及难以扩展至开放集识别或罕见病分析等复杂场景。因此，如何从任务特定模型向更通用、更强大的基础模型（Foundation Models, FMs）转变，成为当前计算病理学研究的重要方向。

基础模型的核心优势在于其通过自监督学习方式在大规模、多中心的数据集上进行预训练，从而具备高度的泛化能力。这种模型不仅可以在多种下游任务中灵活应用，还能通过微调适应具体临床场景，大大减少了任务特定模型对大量标注数据的依赖。基础模型的广泛应用使得计算病理学在处理多模态数据、如病理图像、文本信息和基因组数据时，能够实现更全面的疾病分析和更精准的临床决策支持。当前，病理基础模型主要分为三类：病理图像基础模型、病理图像-文本基础模型和病理图像-基因基础模型。这三类模型分别针对不同的临床任务，具有不同的功能和应用场景。其中，病理图像基础模型专注于图像数据的分析，能够进行癌症分类、生物标志物预测等任务；病理图像-文本基础模型则结合了病理图像与文本描述，提升了模型在跨模态检索、诊断报告生成等方面的能力；而病理图像-基因基础模型则进一步融合了病理图像与基因组信息，使得模型能够更深入地理解肿瘤的分子特征，从而支持更精准的个性化治疗方案。

病理图像基础模型的发展是计算病理学迈向基础模型阶段的重要一步。这类模型通常基于自监督学习算法，如DINOv2和MAE，通过在大规模病理图像数据集上进行预训练，能够提取出具有高度表征能力的图像嵌入。例如，GigaPath和Virchow等模型通过结合多中心数据和多种癌症类型，实现了对罕见癌症和常见癌症的高准确率分类，以及对生物标志物的有效预测。这些模型不仅在临床实践中表现出色，还为未来更广泛的病理分析任务提供了新的思路和工具。通过自监督学习，这些模型能够在没有大量人工标注的情况下，依然具备良好的性能和泛化能力，从而降低了数据标注的成本，提高了模型的可扩展性。

病理图像-文本基础模型的出现进一步拓展了计算病理学的应用边界。这类模型通过整合病理图像与文本信息，能够实现更高效的跨模态任务处理，如图像检索、诊断报告生成和病理图像分类。例如，PLIP和CONCH等模型利用对比学习框架，将病理图像与相关的医学文本进行联合训练，从而提升了模型在零样本和少样本学习场景下的表现。这些模型在临床实践中展现出巨大的潜力，尤其是在辅助医生进行复杂疾病分析、提供诊断支持和提高病理教育质量方面。此外，像PathChat这样的模型，通过结合视觉编码器和预训练的大语言模型，实现了对病理图像和自然语言输入的高效处理，为临床医生和病理学培训人员提供了更直观、更智能的辅助工具。

病理图像-基因基础模型则是计算病理学迈向多模态融合的重要里程碑。这类模型通过整合病理图像与基因组数据，能够更全面地揭示肿瘤的分子机制，为精准医学提供更丰富的信息支持。例如，TANGLE和GiMP等模型利用对比学习和自监督策略，实现了对基因表达数据和病理图像的联合分析，从而提升了模型在癌症亚型分类、药物分析和生物标志物预测等方面的能力。这些模型在临床实践中表现出色，能够帮助医生更准确地评估患者的治疗反应，同时为基因表达预测和生物标志物识别提供了新的方法。此外，一些研究还探索了空间转录组学（Spatial Transcriptomics, ST）与病理图像的融合，通过生成融合的图像-转录组嵌入，实现了对肿瘤空间异质性的深入分析，为更精准的疾病诊断和治疗方案制定提供了新的视角。

尽管基础模型在计算病理学中展现出巨大的潜力，但其在实际应用中仍然面临一些关键挑战。首先，模型的泛化能力需要在真实世界数据上进行充分验证，以确保其在不同医疗中心和人群中的适用性。目前，许多基础模型在小规模数据集上表现出色，但在多中心、大规模、前瞻性数据上的表现仍需进一步研究。其次，模型的可解释性问题也是制约其临床应用的重要因素。虽然基础模型在性能上表现优异，但其内部机制往往较为复杂，难以直观地解释其预测结果。因此，如何提高模型的可解释性，使其能够更好地被临床医生理解和信任，是推动其广泛应用的关键。此外，多模态数据的融合也是一项挑战。虽然病理图像、文本信息和基因组数据能够提供互补的信息，但在实际整合过程中，可能会出现数据冗余和模态间交互不足的问题。因此，如何有效建模多模态信息，使其能够更全面地反映疾病的生物学特征，是当前研究的重点。

在实际临床应用中，基础模型的优势得到了充分体现。例如，它们能够显著减少病理学家的工作负担，提高诊断效率，并为资源匮乏地区的医疗体系提供支持。同时，基础模型还能够通过自动化分析和数据处理，为医生提供更精准的治疗建议和预后评估。然而，为了实现这些目标，还需要解决一些关键问题，如数据多样性、模型可解释性和多模态信息的整合。此外，基础模型的长期应用还需要考虑其在实际医疗场景中的稳定性、适应性和安全性。例如，在大规模数据集上进行训练和验证，以确保模型能够适应不同人群和医疗环境的需求；通过引入更先进的可解释性技术，使模型的预测结果更具临床意义；以及探索更高效的多模态融合方法，以提高模型在复杂疾病分析中的表现。

展望未来，基础模型在计算病理学和精准医学中的应用前景广阔。随着人工智能技术的不断进步，基础模型的性能和泛化能力将进一步提升，使其能够更好地适应多样化的临床任务。同时，基础模型的可解释性研究也将取得突破，为临床医生提供更可靠的决策支持。此外，随着多模态数据融合技术的发展，基础模型将能够更全面地分析肿瘤的生物学特征，从而为个性化治疗方案的制定提供更精准的数据支持。在实际应用中，基础模型有望成为病理分析和临床决策的重要工具，推动医学诊断和治疗的智能化进程。然而，为了实现这一目标，还需要进一步优化模型架构、提高数据质量，并加强与临床实践的结合，以确保基础模型能够真正服务于医疗行业并提升患者的治疗体验。