Nature Medicine 7月31日在线发表一篇计算病理研究，介绍多模态切片级基础模型PRISM2。论文称，基础模型推动了计算病理快速发展，但现有模型多从图像小块编码迈向全切片理解的过程中仍存在临床效用限制。PRISM2尝试通过临床对话监督，把组织形态学图像与诊断推理对齐，支持基于提示的推理和可迁移的下游任务表征。
根据论文摘要，PRISM2训练使用了230万张全切片图像，以及来自70万份病理报告的1400万组问答。作者称，这是一个多模态、切片级基础模型，训练目标不仅是学习病理图像特征，还借助临床问答形式把模型输出与诊断推理相关联。模型所学表征可用于提示式推理，也可作为嵌入特征转移到诊断、标志物和生存预测等任务。
研究结果显示，在基于提示的推理中，PRISM2在前列腺、乳腺和乳腺淋巴结癌症检测任务上，达到或超过经校准的临床级产品的平衡准确率，统计检验为P小于0.05。论文还报告，在综合诊断、癌症生物标志物和生存预测基准中，PRISM2嵌入通过线性探测评估时，未在统计学上低于既往基础模型；在同一大型生存数据集上进行任务特异性微调时，其表现优于从头训练。
文章把PRISM2放在计算病理模型发展背景下讨论。既有Virchow2、UNI2、H-Optimus-1等模型通常以数百万病理图像小块为训练数据，通过自监督目标学习可泛化表征，已改善癌症检测、分型和生物标志物量化等任务。但许多高价值预测发生在患者病例层面，往往涉及一张或多张吉像素级全切片图像，需要聚合大量图像块。传统流程常针对具体任务训练切片聚合器，存在数据整理工作量大、过拟合和稳健性不足等问题。
作者认为，PRISM2通过语言监督预训练提供了可扩展且更贴近临床的信号，可能在人体诊断推理与基础模型性能之间建立联系。需要注意的是，这是一项模型开发和基准评估论文，并不意味着模型已经可独立替代病理医生，也不等同于新的临床诊断标准。模型在真实世界病理工作流程中的适用范围、错误类型、监管路径、不同机构和人群数据上的稳健性，仍需进一步验证。
原文链接：http://www.nature.com/articles/s41591-026-04521-4
免责声明：本文仅供医学资讯参考，不构成诊疗建议。
