CARE：一种面向全切片图像分析的分子引导基础模型与自适应区域建模
计算机视觉与模式识别
2026-03-18 v3
摘要
基础模型最近在计算病理学中取得了显著的成功，展示了在多样化病理任务上的强大泛化能力。然而，现有模型忽视了病理感兴趣区域（ROI）的异质性和非均匀组织结构，因为它们依赖自然图像 backbone，而非针对组织形态学进行优化。因此，他们往往无法捕捉 isolated patches 之外的连贯组织结构，限制了可解释性和临床相关性。为此，我们提出 Cross-modal Adaptive Region Encoder（CARE），面向病理学的基础模型，自动将切片图像划分为几个具有生物学相关性的区域。具体而言，CARE 采用两阶段预训练策略：（1）无分割注释的自监督单模态预训练，从 34,277 张全切片图像中学习形态表示；（2）跨模态对齐阶段，利用 RNA 和蛋白质轮廓细化自适应区域的构建与表示。这种分子引导使 CARE 能够识别生物学相关模式，生成不规则但连贯的组织区域，选取最具代表性的区域作为 ROI。CARE 支持广泛的病理相关任务，既可使用 ROI 特征，也可通过聚合自适应区域获得切片级别特征。仅需通常基础模型使用的十分之一的预训练数据，CARE 在 33 个下游基准上实现了优异的平均性能，包括形态分类、分子预测和生存分析，整体优于其他基础模型基线。
引用
@article{arxiv.2602.21637,
title = {CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis},
author = {Di Zhang and Zhangpeng Gong and Xiaobo Pang and Jiashuai Liu and Junbo Lu and Hao Cui and Jiusong Ge and Zhi Zeng and Kai Yi and Yinghua Li and Si Liu and Tingsong Yu and Haoran Wang and Mireia Crispin-Ortuzar and Weimiao Yu and Chen Li and Zeyu Gao},
journal= {arXiv preprint arXiv:2602.21637},
year = {2026}
}
备注
Accepted to CVPR 2026