Nat Cancer |?無需訓練、少量樣本即可多癌種識別！PRET 系統為病理診斷 AI 帶來范式突破

全球每年新發癌癥病例約 1930 萬，病理檢查是癌癥確診的 “金標準”，但全球范圍內病理醫生嚴重短缺，發展中國家和資源匱乏地區的供需矛盾尤為突出。人工智能為自動化病理診斷帶來新可能，卻面臨兩大核心難題：一是訓練需海量標注數據，二是缺乏通用性。即便現有病理基礎模型實現了泛癌癥特征提取，落地應用仍需大量微調訓練和專家資源，難以在資源匱乏地區推廣。在此背景下，開發一款無需訓練、僅靠少量樣本就能實現多癌種識別的通用系統，成為病理 AI 領域的迫切需求。

近日，香港科技大學李小萌教授團隊、廣東省人民醫院張慶玲教授團隊聯合張康教授、哈佛醫學院余坤興教授等 ， 在 Nature Cancer 上發表了文章PRET is a few-shot system for pan-cancer recognition without example training，提出全新的 PRET 泛癌種識別系統，為多癌種病理診斷打造了 “即插即用” 的全新解決方案。該系統的核心創新，是將自然語言處理領域的上下文學習概念，首次引入病理圖像分析領域。與傳統 AI 方法不同，PRET 無需任何參數微調，僅在推理階段加入 1–8 張標注切片作為 “視覺上下文”，就能完成學習與識別。其架構包含特征提取器、上下文標注器等六大核心模塊，可一站式支持癌癥篩查、腫瘤分型、腫瘤分割、淋巴結轉移檢測等多種病理診斷任務。

圖1 : PRET是一個面向多任務的統一框架

1. 大規模跨中心評估

為驗證 PRET 的性能，研究團隊在 23 個國際基準數據集上開展了大規模跨中心評估，數據集涵蓋中、美、荷多國醫院的 4484 張全切片圖像（約 1.24 億個圖像塊），涉及 18 種癌癥類型、9 個器官組織。評估結果顯示，PRET 在 23 個基準任務中的 20 個上表現超越現有方法，15 個基準任務的 AUC 值超 97%，在 CAMELYON16 數據集上性能提升幅度更是達 36.76%；其中結直腸癌篩查 AUC 值達 100%，食管鱗癌腫瘤分割 AUC 值達 99.54%，展現出優異的基礎診斷能力。

圖2 : PRET 支持多器官、多數據集、多中心和多任務

2. 臨床級淋巴結轉移檢測

針對 臨床級淋巴結轉移檢測這一關鍵任務 ， 在 CAMELYON16 數據集上，僅使用 8 張切片樣本，PRET 就實現了臨床級診斷效果。在 0.9875 的相同特異性條件下，其靈敏度較病理醫生常規診斷分別提升 42.86%、36.74%、26.53% 和 16.33%；五次重復實驗中，AUC 值穩定在 0.9834–0.9901 之間，平均值達 0.9871，而 11 位病理醫生 在常規時間限制下 的平均 AUC 值僅為 0.810。更值得關注的是，在數據量減少約 30 倍 時， PRET 的性能 超越了使用 243 張切片訓練的 TransMIL、CLAM 等傳統多樣本方法。

3. 靈活的視覺提示系統

PRET 還設計了靈活的視覺提示系統，支持切片標簽、邊界框、粗略 的 掩碼 和精準的 掩碼四種提示類型，適配不同的標注 成本 。研究發現，不同病理任務適配不同提示類型，甲狀腺乳頭狀癌、食管鱗癌等小腫瘤適合精細提示，結直腸癌、淋巴瘤等大腫瘤僅用切片標簽，就能取得理想診斷效果。

4. 跨種族與欠發達地區的強泛化能力

在泛化能力上，PRET 同樣表現突出。跨種族泛化實驗中，基于 TCGA NSCLC 數據集的 8-shot 設置下，不同種族間的 AUC 最大差異僅 1.32%。針對資源匱乏地區的適用性驗證中，研究團隊選取中國的青海省開展實驗，PRET 在當地甲狀腺乳頭狀癌基準上，僅用 1 個樣本就取得 98.72% 的篩查 AUC 值和 89.85% 的 Dice 分割得分，較現有 基線 方法提升 9.85%。

總結與展望

PRET實現了病理AI領域的范式突破，其核心優勢可概括為五個方面： （1）低數據成本 ，無需大規模標注數據集； （2）單一泛癌模型 ，一個模型覆蓋多種癌癥和任務； （3）無需訓練 ，新任務可直接使用； （4）強泛化性 ，跨種族、跨醫院表現穩健； （5）高靈活性 ，可與多種病理基礎模型無縫集成。

展望未來，研究團隊指出了多個發展方向：進一步優化切片和樣本質量，持續提升診斷性能；將系統應用范圍拓展至突變預測、預后分析等新的病理任務；結合大語言模型的能力，挖掘 PRET 視覺上下文學習的更多潛力，開辟病理診斷 AI 的全新應用場景。

PRET為全球病理AI的普惠化和公平化發展鋪平了道路，尤其有望為醫療資源匱乏地區、少數群體帶來高質量的病理診斷支持，推動癌癥診斷的可及性變革。

該文章的 通訊作者 為： 李 小 萌（香港科技大學）、張 慶 玲（廣東省人民醫院）、張康 ； 共同第一作者 為 ： 李 藝 、寧梓妤 。

代碼：https://github.com/xmed-lab/PRET

數據：https://huggingface.co/datasets/yili7eli/PRET

原文鏈接：https://www.nature.com/articles/s43018-026-01141-2

制版人： 十一

學術合作組織

（*排名不分先后）

戰略合作伙伴

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。

BioArt

Med

Plants

人才招聘

近期直播推薦

點擊主頁推薦活動

關注更多最新活動！