A Clinically Validated Foundation Model for Comprehensive Lung Pathology Interpretation

📄 arXiv: 2605.25878 📥 PDF

作者: Zhengrui Guo, Zhengyu Zhang, Jiabo Ma, Yihui Wang, Fengtao Zhou, Yingxue Xu, Ling Liang, Chenglong Zhao, Qi Xie, Jinbang Li, Shujing Guo, Fangyi Han, Zhijian Cen, Ziyi Liu, Cheng Jin, Junlin Hou, Zhixuan Chen, Yu Cai, Lijuan Qu, Shifu Chen, Yueping Liu, Zhe Wang, Xiuming Zhang, Muyan Cai, Li Liang, Hao Chen

分类: eess.IV, cs.CV

发布日期: 2026-07-20

💡 一句话要点

提出PulmoFoundation以解决肺病理综合评估问题

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

关键词: 肺病理 基础模型 临床验证 多中心研究 人工智能辅助诊断 生存预测 分子标志物 病理评估

📋 核心要点

  1. 现有的CPath方法依赖于特定任务模型，缺乏在临床工作流程中的综合评估能力。
  2. PulmoFoundation是一个经过多中心前瞻性验证的基础模型，旨在提供全面的肺病理评估。
  3. 在1,357名患者的研究中，PulmoFoundation在多个任务中实现了92.3%的平均AUC，显著提高了诊断准确性。

📝 摘要（中文）

病理评估在肺癌的诊断、治疗选择和预后评估中至关重要，但现有的CPath方法依赖于特定任务模型，缺乏综合性。我们提出PulmoFoundation，这是一个经过多中心前瞻性验证的基础模型，旨在全面评估肺病理。该模型基于Virchow2，通过对约40,000张H&E染色全切片图像进行亚专业特定的预训练，系统评估了约26,000张图像在32个临床相关任务中的表现。PulmoFoundation在核心诊断任务中表现出临床级的性能，能够有效预测分子标志物和患者生存率，并在1,357名患者的前瞻性研究中实现了92.3%的平均AUC。

🔬 方法详解

问题定义：本论文旨在解决现有肺病理评估方法的局限性，尤其是它们在临床工作流程中的适用性和综合性不足。现有方法通常依赖于特定任务的模型，无法提供全面的病理评估。

核心思路：PulmoFoundation通过在多中心进行前瞻性验证，结合亚专业特定的预训练，旨在实现对肺病理的综合评估。该模型的设计考虑了临床实际需求，确保其在不同阶段的有效性。

技术框架：PulmoFoundation的整体架构包括数据预处理、模型训练和临床评估三个主要模块。首先，使用约40,000张H&E染色全切片图像进行预训练，然后在约26,000张图像上进行系统评估，最后通过临床试验验证其有效性。

关键创新：PulmoFoundation的主要创新在于其多中心前瞻性验证和亚专业特定的预训练方法，使其能够在多个临床任务中表现出色。这与现有方法的单一任务聚焦形成鲜明对比。

关键设计：模型采用了特定的损失函数和网络结构，以优化在不同病理任务中的表现。此外，预设的分流阈值设计使得模型能够有效减少额外的复审负担。具体参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在1,357名患者的前瞻性研究中，PulmoFoundation在11个诊断任务中实现了92.3%的平均AUC，显著降低了68.8%的活检复审负担和83.0%的冷冻切片复审负担。AI辅助诊断的准确性从83.2%提升至91.7%，并减少了18.3%的诊断时间。

🎯 应用场景

PulmoFoundation的研究成果在肺病理评估领域具有广泛的应用潜力，能够为临床医生提供有效的决策支持。其在预后评估和治疗选择中的应用，可能会显著提高肺癌患者的诊断效率和治疗效果，推动个性化医疗的发展。

📄 摘要（原文）

Pathological assessment guides lung cancer diagnosis, treatment selection, and prognostic evaluation, yet current CPath approaches rely on task-specific models for isolated objectives. Although pan-cancer foundation models offer versatility, they lack subspecialty-level depth and have not been evaluated across clinical workflows or prospectively validated in real-world settings. We introduce PulmoFoundation, a multi-center, prospectively validated, randomized controlled trial (RCT)-evaluated foundation model for comprehensive lung pathology assessment across pre-operative, intra-operative, and post-operative care. Built upon Virchow2 via subspecialty-specific pretraining using ~40,000 diagnostic H&E-stained whole-slide images (WSIs), PulmoFoundation was systematically evaluated on ~26,000 WSIs across 32 clinically relevant tasks. In addition to accurately predicting molecular markers and patient survival, our model achieves clinical-grade performance in core diagnostic tasks across biopsy, frozen section, and surgical resection slides. In a registered prospective study of 1,357 patients across 11 diagnostic tasks, our model achieved an average AUC of 92.3%. Using pre-specified triage thresholds, PulmoFoundation could reduce additional second-review burden for 68.8% of biopsies and 83.0% of frozen sections, and defer 44.5% of IHC stain orders, with PPVs of 1.000, 0.991, and 0.966. Beyond prospective validation, we conducted a crossover RCT with eight pathologists, in which AI assistance improved diagnostic accuracy across 5,264 case-reader pairs (91.7% w/ AI vs. 83.2% w/o AI). AI assistance also reduced median diagnostic time by 18.3%, increased diagnostic confidence by 9.0%, and improved inter-rater agreement from moderate (kappa = 0.55) to substantial (kappa = 0.76). Together, these evaluations support PulmoFoundation as a clinically validated decision-support system for lung pathology.