AI病理新神器！跨癌种通吃，自监督学习让诊断和生存预测「一网打尽」

生信人 · 公众号 · 生物 · 2025-06-07 07:03

正文

请到「今天看啥」查看全文

生存预测（基于病理图像预测患者预后）

可解释性验证： 通过注意力热图可视化模型关注区域，与病理医生标注对比，验证模型决策合理性。

流程亮点：

数据效率：仅需 25% 标注数据即可达到传统模型 100% 数据的性能，缓解标注难题。

跨癌种适配：预训练覆盖 32 种癌症，模型在肺癌、肾癌等不同任务中表现稳定。

图 1 BEPH 架构概述

BEPH 的 “ 预训练 - 微调 ” 范式可类比为 “ 先学通用语言，再练方言 ” 。未来若能整合多模态数据（如基因组、临床指标），可能实现更精准的个性化医疗。此外，模型轻量化（如使用 ViT-Tiny ）可能更适合临床实时部署需求。

三、结果： BEPH 的 “ 成绩单 ”—— 多维度验证性能突破

Patch 级分类：细节丢失也不慌，跨癌种诊断稳了！

BEPH 在乳腺肿瘤良恶性分类任务（ BreakHis 数据集）中展现了“降维打击”能力：即使将图像下采样至 224 × 224 像素（丢失 70% 细节），患者级和图像级准确率仍分别高达 94.05% 和 93.65% ，比传统 CNN 模型（如 ResNet 、 VGG ）高出 5-10% 。更夸张的是，在肺癌亚型分类（ LC25000 数据集）中， BEPH 以 99.99% 的准确率横扫 AlexNet 、 EfficientNet 等模型（图 2e ）。

BEPH 的逆天表现得益于 MIM （掩码图像建模）预训练策略。这种“先蒙眼拼图再考试”的学习方式，让模型即使面对模糊图像也能捕捉关键病理特征。有趣的是， BEPH 对图像分辨率变化表现出极强的鲁棒性（图 2c-d ），这意味着未来临床部署时，医院无需升级高分辨率扫描设备即可使用——简直是基层医疗机构的福音！

WSI 级分类：弱监督学习也能“卷”出天花板

在肾癌（ RCC ）、乳腺癌（ BRCA ）、肺癌（ NSCLC ）的亚型分类任务中， BEPH 仅用 25% 训练数据时， AUC 已达 0.909 ；全量数据下，肾癌亚型分类 AUC 飙升至 0.994 ，几乎与人类病理专家持平（图 2a-b ）。即便对比最新基础模型 GigaPath （参数规模 17 倍于 BEPH ）， BEPH 在肺癌、肾癌任务中仅落后 0.7% ，堪称“小模型逆袭”的典范。