Atlas 2 -- Foundation models for clinical deployment

📄 arXiv: 2601.05148v1 📥 PDF

作者: Maximilian Alber, Timo Milbich, Alexandra Carpen-Amarie, Stephan Tietz, Jonas Dippel, Lukas Muttenthaler, Beatriz Perez Cancer, Alessandro Benetti, Panos Korfiatis, Elias Eulig, Jérôme Lüscher, Jiasen Wu, Sayed Abid Hashimi, Gabriel Dernbach, Simon Schallenberg, Neelay Shah, Moritz Krügener, Aniruddh Jammoria, Jake Matras, Patrick Duffy, Matt Redlon, Philipp Jurmeister, David Horst, Lukas Ruff, Klaus-Robert Müller, Frederick Klauschen, Andrew Norgan

分类: cs.CV, cs.AI, cs.LG

发布日期: 2026-01-08

💡 一句话要点

Atlas 2：用于临床部署的病理学视觉基础模型，兼顾性能、鲁棒性和效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 病理学 基础模型 计算病理学 深度学习 全切片图像 临床部署 图像分析

📋 核心要点

  1. 现有病理学基础模型在性能、鲁棒性和计算资源上存在权衡，限制了其在临床上的应用。
  2. Atlas 2系列模型旨在提升病理学图像分析的性能、鲁棒性和资源效率，从而促进临床部署。
  3. 该模型在包含550万张病理切片图像的大规模数据集上训练，并在80个公共基准上进行了全面评估。

📝 摘要（中文）

病理学基础模型显著提升了计算病理学的可能性，但性能、鲁棒性和计算需求之间的权衡限制了其临床部署。本报告介绍了Atlas 2、Atlas 2-B和Atlas 2-S，这三个病理学视觉基础模型通过在80个公共基准上的全面评估，展示了最先进的预测性能、鲁棒性和资源效率，从而弥补了这些不足。我们的模型在迄今为止最大的病理学基础模型数据集上进行训练，该数据集包含来自三个医疗机构（Charité - Universtätsmedizin Berlin、LMU Munich和Mayo Clinic）的550万张组织病理学全切片图像。

🔬 方法详解

问题定义：现有病理学基础模型虽然在计算病理学领域取得了进展，但往往需要在性能、鲁棒性和计算资源之间做出妥协。例如，为了获得更高的预测准确率，可能需要更大的模型和更多的计算资源，这使得它们难以在资源受限的临床环境中部署。因此，如何构建一个既能保持高性能，又具有良好的鲁棒性和资源效率的病理学基础模型，是当前面临的关键问题。

核心思路：Atlas 2系列模型的核心思路是通过大规模数据集的训练，学习到病理学图像的通用特征表示。同时，通过模型架构的设计和优化，提高模型的效率和鲁棒性。具体来说，可能采用了高效的卷积神经网络结构，并结合了数据增强、正则化等技术，以提高模型的泛化能力和抗噪声能力。

技术框架：论文提出了三个模型：Atlas 2、Atlas 2-B和Atlas 2-S。具体的技术框架细节未知，但可以推测其整体流程包括：1）大规模病理学图像数据集的收集和预处理；2）基础模型的选择和架构设计（可能基于Transformer或卷积神经网络）；3）模型在550万张病理切片图像上的训练；4）在80个公共基准上对模型进行评估和验证。不同型号（Atlas 2、Atlas 2-B和Atlas 2-S）可能在模型大小、计算复杂度和性能上有所差异，以适应不同的应用场景。

关键创新：该研究的关键创新在于构建了迄今为止最大的病理学基础模型数据集，并基于此训练了具有最先进性能、鲁棒性和资源效率的Atlas 2系列模型。与现有方法相比，Atlas 2系列模型能够在保持高性能的同时，显著降低计算需求，从而更容易在临床环境中部署。此外，在80个公共基准上的全面评估也为该模型的可靠性和泛化能力提供了有力的证据。

关键设计：具体的网络结构、损失函数和训练参数等关键设计细节未知。但可以推测，为了提高模型的性能和效率，可能采用了以下技术：1）高效的卷积神经网络结构，如MobileNet或EfficientNet；2）对比学习或自监督学习方法，以从未标记数据中学习有用的特征表示；3）数据增强技术，如旋转、翻转、缩放等，以提高模型的鲁棒性；4）正则化技术，如dropout或权重衰减，以防止过拟合；5）知识蒸馏技术，将大型模型的知识迁移到小型模型，以提高模型的效率。

📊 实验亮点

Atlas 2系列模型在80个公共基准上进行了全面评估，展示了最先进的预测性能、鲁棒性和资源效率。具体性能数据未知，但摘要强调该模型在性能、鲁棒性和效率方面均优于现有方法。通过大规模数据集的训练和模型架构的优化，Atlas 2系列模型成功地弥补了现有病理学基础模型的不足，为临床部署奠定了基础。

🎯 应用场景

Atlas 2系列模型在计算病理学领域具有广泛的应用前景，例如辅助医生进行癌症诊断、肿瘤分级和预后预测。该模型可以应用于各种病理图像分析任务，如细胞检测、组织分割和病灶识别。通过提高诊断的准确性和效率，该研究有望改善患者的治疗效果，并降低医疗成本。未来，该模型还可以与其他医疗数据（如基因组数据、临床数据）相结合，实现更精准的个性化医疗。

📄 摘要（原文）

Pathology foundation models substantially advanced the possibilities in computational pathology -- yet tradeoffs in terms of performance, robustness, and computational requirements remained, which limited their clinical deployment. In this report, we present Atlas 2, Atlas 2-B, and Atlas 2-S, three pathology vision foundation models which bridge these shortcomings by showing state-of-the-art performance in prediction performance, robustness, and resource efficiency in a comprehensive evaluation across eighty public benchmarks. Our models were trained on the largest pathology foundation model dataset to date comprising 5.5 million histopathology whole slide images, collected from three medical institutions Charité - Universtätsmedizin Berlin, LMU Munich, and Mayo Clinic.