VISTA-PATH：面向组织病理图像分割与定量分析的交互式基础模型
计算机视觉与模式识别
2026-01-26 v1
摘要
准确的组织病理图像语义分割对于定量组织分析和下游临床建模至关重要。最近的分割基础模型通过大规模预训练提升了泛化能力，但因将分割视为静态视觉预测任务，仍未与病理学领域充分对齐。本文提出VISTA-PATH——一种交互式、类感知的病理分割基础模型，旨在解决异构结构问题、整合专家反馈，并生成可直接用于临床解读的像素级分割结果。VISTA-PATH联合以视觉上下文、语义组织描述以及可选的专家提供的空间提示进行分割条件化，实现对异构病理图像的精确多类分割。为支持这一范式，我们构建了VISTA-PATH Data，包含160万张以上图像-掩码-文本三元组，覆盖9种器官和93种组织类别。在广泛的保留测试集和外部基准上，VISTA-PATH持续优于现有的分割基础模型。重要的是，VISTA-PATH支持通过稀疏、块级边界框标注反馈向整幅切片分割传递，从而实现动态的人类在环式细化。最后，我们表明VISTA-PATH产生的高保真、类感知分割是计算病理学中受偏好的模型。它通过提出的肿瘤相互作用评分（Tumor Interaction Score, TIS），实现了组织微环境分析，该评分与患者生存存有显著且高度相关的关联。综上所述，VISTA-PATH作为提升病理图像分割从静态预测到交互式、临床导向表征的数字病理学基础模型。源码与演示可在https://github.com/zhihuanglab/VISTA-PATH找到。
引用
@article{arxiv.2601.16451,
title = {VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology},
author = {Peixian Liang and Songhao Li and Shunsuke Koga and Yutong Li and Zahra Alipour and Yucheng Tang and Daguang Xu and Zhi Huang},
journal= {arXiv preprint arXiv:2601.16451},
year = {2026}
}