病理学检查是癌症诊断的金标准，对于全球每年约1930万例新的癌症诊断来说是不可或缺的。然而，病理学家的全球稀缺带来了显著的挑战，尤其是在资源有限的情况下。基于人工智能(AI)的计算病理学已成为自动化或辅助癌症诊断的解决方案，但传统的人工智能算法在疾病概化方面存在局限性，并且依赖于大量的注释数据。例如，坎帕内拉等人利用近45，000幅全切片图像(WSIs)训练了前列腺癌、皮肤癌和淋巴结转移的人工智能分类模型。

鉴于OncoTree对近900种肿瘤类型进行了编目，为每种疾病类型开发特定模型的实际限制变得显而易见，特别是在资源匮乏的环境中，对专业知识和标记数据的访问是有限的。

为了克服这些障碍，开发一个能够用最少的数据识别癌症的泛癌模型至关重要。泛癌识别旨在使用单一通用模型诊断多种癌症，该模型不同于特定任务模型或基因突变的泛癌分析和生物标记。病理学基础模型的出现1使得泛癌表现更容易接近。

尽管有潜力，这些基础模型通常使用多个弱监督模型针对特定的下游疾病和任务进行微调。然而，由于各种下游任务所需的大量培训工作，它们在现实世界场景中的应用受到了极大的阻碍。特别是，自监督模型通常涉及大量的计算和专家资源，以开发用于不同任务的多分类器。

机理模式图（图源自Nature Cancer）

该研究报道了PRET(无需示例训练的泛癌识别),这是一种无需训练即可实现跨不同器官、医院和任务的灵活、可扩展和有效的癌症识别的少量系统。在包含4，484张全切片图像的23个国际基准上进行评估，该方法在20个任务上优于现有方法，在15个基准上实现了超过97%的曲线下面积，最大提高了36.76%。

值得注意的是，PRET仅使用8个载玻片实例就在淋巴结转移检测中提供了临床级诊断性能，超过了11位病理学家。通过为泛癌识别提供灵活且经济高效的解决方案，PRET为可访问和公平的基于人工智能的病理系统铺平了道路，特别是有利于少数民族人口和服务不足的地区。

参考消息：https://www.nature.com/articles/s43018-026-01141-2