计算病理学中的基础模型：挑战、机遇与影响综述

从自监督的仅视觉模型到对比式视觉-语言框架，计算病理学在近年来迅速发展。生成式 AI "协作飞行员"现在能够挖掘从细胞水平到病理学水平的细微且非肉眼可见组织线索，生成综合性报告，并响应复杂的用户查询。数据规模有显著增长，从数十个不断增至数百万个多吉字节组织切片图像，同时这些模型的可训练参数数量也攀升至数十亿。关键问题仍在于，这一新一轮生成式和多用途 AI 将如何影响临床诊断。在本文中，我们探讨了这些创新技术的真正潜力及其在临床实践中的整合。我们综述了基础模型在病理学中的快速进展，阐明了其应用与意义。更准确地说，我们检讨了基础模型的定义，阐明其为何具备基础性、通用性或多功能性，并评估了其对计算病理学的影响。此外，我们阐述了其开发与评估所特有的挑战。这些模型已展现出卓越的预测与生成能力，但建立全球基准测试至关重要，以提升评估标准并推动其广泛临床采用。在计算病理学中，前沿 AI 的更广泛影响最终取决于广泛采纳与社会接受程度。虽然直接的公众曝光并非严格必要，但仍是一种强大的工具，用于消除误解、建立信任并争取监管支持。