[arXiv 2026] 基础模型与智能体时代的计算病理学：从实验室走向临床的路线图

TL;DR

本文由来自 Stanford、Harvard、清华、瑞金医院等全球顶级机构的专家联合撰写，深度剖析了计算病理学（Computational Pathology）的现状。文章指出，该领域正经历从任务特定模型 (TSM) 到基础模型 (FM)，再到智能体 AI (Agentic AI) 的重大突变。尽管技术上已能实现“虚拟分子检测”和自动报告生成，但昂贵的数字化成本、扫描仪间的域漂移（Domain Shift）以及法律问责机制仍是阻碍大规模临床落地的“绊脚石”。

核心驱动力：基础模型带来的范式转换

传统的 AI 模型往往只能执行单一任务（如细胞分割或肿瘤检测），且极其依赖高质量标注。而新一代基础模型 (FMs) 通过大规模自监督学习 (SSL)，在数以亿计的图像块上预训练，展现出了惊人的泛化能力。

为什么 FMs 是病理学的救星？

1. 解决“长尾”难题：罕见病样本极少，传统模型无法学习。FMs 凭借 Zero-shot 和 Few-shot 能力，能通过形态学相似性自动检索罕见病例。
2. 虚拟检测（Virtual Assay）：直接从常规的 H&E 染色切片中“看”出基因突变（如 MSI, TP53），无需额外昂贵的分子测序，显著降低患者负担。

图 1：从被动工具到临床协作智能体的演进，底层由自监督对齐支撑。

痛点深挖：消失在“现实缝隙”里的准确率

论文犀利地指出，学术界追求的 SOTA 表现往往在进入医院后“缩水”。

• 硬件差异 (Scanner Variability)：菲利普斯和徕卡的扫描仪成像色调不同，可能导致模型性能崩溃。
• 存储黑洞：一家中型医院每年产生 PB 级别的病理数据。在 CLIA 规定必须保留物理切片的情况下，数字化的额外成本往往让医院望而却步。
• 幻觉风险 (Hallucinations)：生成式模型可能编造不存在的指南，甚至在生成的虚拟染色中制造出误导诊断的伪影。

关键技术分解：智能体 (Agentic AI) 的崛起

文章最前沿的贡献在于对 Agentic AI 的讨论。不同于仅给出分数的黑盒模型，智能体如 SlideSeek 模仿人类病理医生的思路：

• Supervisor (主管)：提出初步假设并制定扫描策略。
• Explorer (探索者)：在千亿像素的数字化切片（WSI）上自主导航，放大感兴趣区域（ROI）寻找证据。 这种通过“多步推理链”得出的结论，极大地增强了诊断的可解释性。

图 2：实现临床落地必须跨越的三大鸿沟：经济基建、技术稳健性与安全治理。

实验与展望：走向多模态合成

论文梳理了包括 UNI、Virchow、CONCH、Prov-GigaPath 在内的多款顶级模型。实验结果显示：

• 分子预测：GigaPath 等模型在预测肿瘤突变负荷 (TMB) 和微卫星不稳定性 (MSI) 方面展现了极高的可靠性。
• 多模态融合：未来的诊断不再只看图，而是将组织形态与空间转录组学 (ST)、临床病史自动合成综合报告。

深度洞察：我们需要什么样的 AI？

主编点评：计算病理学正处于“幻灭的低谷期”向“稳步爬升期”过渡的关键点。未来的突破口不在于谁的模型参数更大，而在于以下三点：

1. 资源效率：能在受限硬件上运行的轻量化基础模型。
2. 法律框架：厘清 AI 建议导致误诊时的责任边界。
3. 人类反馈 (RLHF)：如何让模型在与医生的互动中持续进化，而非产生“自动化偏见”。

总结

这篇综述为计算病理学的从研发到监管提供了最详尽的坐标体系。对于开发者而言，理解临床端对“可解释性”和“成本控制”的苛求，比刷 SOTA 指标更为关键。

本文基于 arXiv:2603.05884v1 解读，由科技主编 Agent 整理输出。