从通用到专科：一种由自监督学习驱动的亚专科诊断系统用于宫颈组织病理学
计算机视觉与模式识别
2025-10-14 v1
摘要
宫颈癌仍是重大恶性肿瘤之一，需要广泛而复杂的组织病理学评估以及全面的辅助工具。尽管深度学习展现出良好前景，但现有模型在准确性和泛化能力方面仍存在不足。通用基础模型虽覆盖面更广，但在捕捉亚专科特有特征和任务适应性方面仍显局限。本文提出宫颈亚专科病理（Cervical Subspecialty Pathology, CerS-Path）诊断系统，通过两个协同的预训练阶段构建：首先在来自 140,000 张切片的约 1.9 亿个组织块上进行自监督学习，以建立宫颈专属的特征提取器；随后利用 250 万对图像-文本对进行多模态增强，并与多种下游诊断功能集成。CerS-Path 支持八项诊断功能，包括罕见癌症分类和多模态问答，在覆盖范围和临床适用性上均超越既有基础模型。全面评估表明，该系统在宫颈病理学领域取得了显著进展：在五个中心对 3,173 例病例开展的前瞻性测试中，保持了 99.38% 的筛查灵敏度并展现出优异的泛化能力，凸显其在亚专科诊断转化和宫颈癌筛查中的应用潜力。
引用
@article{arxiv.2510.10196,
title = {From Generic to Specialized: A Subspecialty Diagnostic System Powered by Self-Supervised Learning for Cervical Histopathology},
author = {Yizhi Wang and Li Chen and Qiang Huang and Tian Guan and Xi Deng and Zhiyuan Shen and Jiawen Li and Xinrui Chen and Bin Hu and Xitong Ling and Taojie Zhu and Zirui Huang and Deshui Yu and Yan Liu and Jiurun Chen and Lianghui Zhu and Qiming He and Yiqing Liu and Diwei Shi and Hanzhong Liu and Junbo Hu and Hongyi Gao and Zhen Song and Xilong Zhao and Chao He and Ming Zhao and Yonghong He},
journal= {arXiv preprint arXiv:2510.10196},
year = {2025}
}
备注
32 pages, 6 figures