編輯丨&

在當前的數字病理學研究中，雖然 AI 在輔助癌癥診斷上展現了巨大潛力，但仍面臨一個嚴峻的現實：傳統的 AI 模型極其依賴海量的標注數據。對于每一種新的疾病或每一個不同的醫院，模型往往需要進行繁雜的重新訓練。這種「一病一訓」的模式不僅耗時耗力，更限制了技術在基層醫療機構的普及。

針對這一痛點，香港科技大學及其合作團隊開發了 PRET（Pan-cancer Recognition without Examples Training）系統。這不僅是一個技術的更迭，更是病理 AI 范式的根本性轉變——它實現了無需針對特定示例進行訓練的泛癌識別。

相關研究以「PRET is a few-shot system for pan-cancer recognition without example training」為題，于 2026 年 4 月 3 日發布在《Nature Cancer》。

論文鏈接：https://www.nature.com/articles/s43018-026-01141-2

從標注依賴到上下文學習

傳統深度學習模型在處理病理全切片圖像（WSI）時，就像一個需要老師手把手教的孩子，每認識一種腫瘤都需要成千上萬個標注好的樣本。而 PRET 系統則采用了一種截然不同的「自學」模式，即上下文學習（ICL）。

它使模型能夠即時適應新癌癥類型，并在推斷階段僅引用一到八張注釋的腫瘤切片，執行癌癥篩查、腫瘤亞型和腫瘤切割等診斷任務。作為一個「即插即用」智能診斷工具，PRET 從根本上克服了傳統人工智能模型中針對任務的細致調優需求。

圖示：PRET 概覽。

該系統借鑒了大型語言模型（LLM）中成熟的上下文學習理念，將其巧妙地轉化為視覺領域的「視覺提示」（Visual Prompts）。在推理階段，醫生只需提供極少數已知病變的示例作為上下文，PRET 就能在不更新任何模型參數的情況下，自動識別并分類新的病變區域。

在技術架構上，PRET 針對病理圖像全切片（WSI）的特殊性，摒棄了傳統方法中容易丟失局部細節的「平均特征」或簡單的「原型匹配」。研究團隊引入了專門設計的上下文標記器（In-context Tagger）和上下文分類器（In-context Classifier）。

上下文標記器負責在特征空間中精確捕捉每個小方塊（Patch）的細微紋理與空間信息，而上下文分類器則通過對比待測樣本與上下文示例之間的局部相似性，實現精準判別。這種方法讓模型不僅具備了病理學大模型的全局視野，更保留了對微小癌變浸潤灶的敏感度，解決了傳統病理 AI 模型在處理復雜異質性組織時特征被稀釋的難題。

多中心基準的性能跨越

研究團隊利用來自中國大陸、美國和荷蘭醫療機構的 23 個國際基準數據集，涵蓋 18 種癌癥類型及多種診斷任務，對 PRET 系統進行了全面驗證。結果顯示，系統在 20 項任務中優于現有方法，其中 15 項任務中其曲線下面積（AUC）——一種診斷準確度的衡量標準——超過了 97%。

圖示：癌癥篩查與分型的性能表現。

相比傳統基準方法，其性能提升幅度最高達到了 36.76% 。這種跨越式提升源于 PRET 能夠靈活地利用基礎模型（Foundation Models）中預存的通用病理知識，并結合當前的上下文示例進行動態調整。

這意味著，即使在不同醫院之間存在圖像色彩偏差或切片厚度差異，PRET 依然能通過上下文示例的校準，準確鎖定癌變區域，克服了 AI 模型常見的「水土不服」現象。

此外，PRET 的高效性還體現在其對少樣本甚至單樣本任務的處理能力上。在某些極其罕見的亞型癌癥診斷中，醫生往往難以收集到足夠的訓練樣本，而 PRET 僅需一到兩個參考示例即可開始工作的特性，填補了罕見病 AI 診斷的空白。

圖示：在少數群體、服務不足地區和外部醫院的泛化性能。

研究團隊還發現，PRET 不僅能處理視覺信息，其框架設計也具備與病理報告等文本信息進行多模態整合的潛力，為未來構建全自動、高智能的病理會診系統奠定了堅實基礎。

無需訓練的應用架構

PRET 系統過無需訓練的架構設計解決了數據標注與模型更新的瓶頸，利用上下文標記器捕捉了深層的局部病理特征，并在 23 項國際基準中刷新了性能上限。

這種從死記硬背到邏輯理解的進化，不僅提升了 AI 診斷的精確度，更極大地降低了前沿技術在臨床落地的門檻。隨著這種模式的普及，可以預見的是，未來的癌癥早期篩查將變得更加精準、高效且觸手可及。

相關鏈接：https://medicalxpress.com/news/2026-04-play-ai-cancer.html