宫颈癌病理诊断AI系统CerS-Path:自监督学习与多中心验证

宫颈癌病理诊断AI系统CerS-Path:自监督学习与多中心验证

Nature Communications · IF 18.1 · DOI 10.1038/s41467-026-79121-4 · 清华大学深圳国际研究生院、牛津大学等多机构合作 · 发表日期 2026-11-14

一句话结论

清华大学深圳国际研究生院团队联合牛津大学等多机构在Nature Communications发表宫颈癌亚专科病理诊断系统CerS-Path:系统以约1.9亿个组织块的自监督预训练构建宫颈专用特征提取器,再以250万图文对做多模态增强,整合8项诊断功能覆盖从活检到切除标本的流程;在30项诊断任务中的26项超越现有病理基础模型,并在六个独立队列的前瞻与回顾验证中对临床相关病灶实现最高99%的检出灵敏度。

论文原文 Figure 1(图片来源:10.1038/s41467-026-79121-4)

筛查海量化,病理跟得上吗

宫颈癌仍是女性主要恶性肿瘤之一。HPV筛查的普及带来大量活检与手术标本,病理医生的人均判读负担持续加重——人工智能病理因此被寄予厚望。

但通用病理基础模型有个天然短板:训练数据覆盖全身器官,对宫颈这一亚专科的特征抓取不够深,任务适配也要打折扣。诊断量大又要求精细的环节,恰恰最需要“专科医生”而非“全科选手”。

两段预训练,八个功能

CerS-Path的思路是先把地基打在宫颈上:第一阶段用约1.9亿个组织块做自监督学习,让模型掌握宫颈组织的专属视觉特征;第二阶段用250万图文对做多模态增强,把形态学语言与文本语义连起来。

在此基础上,系统整合了形态学诊断、预测分析与多模态任务共8项功能,覆盖从筛查活检到切除标本的完整诊断工作流。

26/30与六队列验证

性能上,CerS-Path在30项诊断任务中的26项优于现有最先进的基础模型。更关键的是落地证据:在六个独立队列的回顾性与前瞻性验证中,系统对临床相关病灶的检出灵敏度最高达99%,特异性在各中心保持可接受水平。

作者团队指出,这些结果支持其嵌入高流量筛查病理流程的潜力。回顾性与前瞻性验证仍属真实临床环境的外部检验,大规模常规部署后的长期表现与医患工作流整合,是接下来的观察点。

论文原文 Figure 2(图片来源:10.1038/s41467-026-79121-4)

信息来源

  • 论文:Wang Y, Chen L, et al. A subspecialty diagnostic system powered by self-supervised learning for cervical histopathology. Nature Communications (2026). DOI: 10.1038/s41467-026-79121-4
  • 作者单位:清华大学深圳国际研究生院、牛津大学工程科学系、解放军联勤保障部队920医院等(共同一作 Yizhi Wang、Li Chen、Qiang Huang、Tian Guan;通讯 Lingchuan Guo、Chao He、Ming Zhao、Yonghong He)
  • 影响因子参考:Nature Communications 最新 JCR IF 18.1

特别声明

1、本页面内容包含部分的内容是基于公开信息的合理引用;引用内容仅为补充信息,不代表本站立场。

2、若认为本页面引用内容涉及侵权,请及时与本站联系,我们将第一时间处理。

3、其他媒体/个人如需使用本页面原创内容,需注明“来源:[生知库]”并获得授权;使用引用内容的,需自行联系原作者获得许可。

4、投稿及合作请联系:info@biocloudy.com。