A Clinical-grade Universal Foundation Model for Intraoperative Pathology

📄 arXiv: 2510.04861v2 📥 PDF

作者: Zihan Zhao, Fengtao Zhou, Ronggang Li, Bing Chu, Xinke Zhang, Xueyi Zheng, Ke Zheng, Xiaobo Wen, Jiabo Ma, Yihui Wang, Jiewei Chen, Chengyou Zheng, Jiangyu Zhang, Yongqin Wen, Jiajia Meng, Ziqi Zeng, Xiaoqing Li, Jing Li, Dan Xie, Yaping Ye, Yu Wang, Hao Chen, Muyan Cai

分类: cs.LG

发布日期: 2025-10-06 (更新: 2025-10-12)

💡 一句话要点

CRISP：用于术中病理学的临床级通用基础模型

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

关键词: 术中病理学 冰冻切片 人工智能 深度学习 基础模型

📋 核心要点

  1. 术中病理诊断复杂且缺乏高质量冰冻切片数据，限制了其在精准外科中的应用。
  2. CRISP模型通过大规模冰冻切片数据训练，旨在为术中病理学提供临床级别的稳健支持。
  3. 前瞻性研究表明，CRISP在真实世界条件下保持高诊断准确性，并能有效辅助医生决策，减少工作量。

📝 摘要（中文）

术中病理学对于精准外科至关重要，但其临床应用受到诊断复杂性和高质量冰冻切片数据有限性的制约。计算病理学虽然取得了显著进展，但缺乏大规模的前瞻性验证阻碍了其在外科工作流程中的常规应用。本文介绍了CRISP，一个临床级基础模型，它基于来自八个医疗中心的超过10万张冰冻切片开发，专门为病理学提供临床级、稳健的术中支持（CRISP）。CRISP在近100个回顾性诊断任务（包括良恶性鉴别、关键术中决策和泛癌检测等）的超过15000张术中切片上进行了全面评估。该模型在不同的机构、肿瘤类型和解剖部位（包括以前未见过的部位和罕见癌症）上表现出强大的泛化能力。在一项超过2000名患者的前瞻性队列研究中，CRISP在真实条件下保持了较高的诊断准确性，直接为92.6%的病例的手术决策提供信息。人机协作进一步减少了35%的诊断工作量，避免了105项辅助检查，并以87.5%的准确率提高了微转移灶的检测。总之，这些发现将CRISP定位为AI驱动的术中病理学的临床级范例，将计算进步与外科精度联系起来，并加速人工智能转化为常规临床实践。

🔬 方法详解

问题定义：术中病理诊断是精准外科的关键，但面临诊断复杂、数据稀缺等问题。现有计算病理方法缺乏大规模前瞻性验证，难以在临床工作流程中常规应用。因此，需要一个能够泛化到不同机构、肿瘤类型和解剖部位，并且能够在真实世界条件下提供可靠诊断支持的AI模型。

核心思路：CRISP的核心思路是利用大规模、多中心冰冻切片数据训练一个通用的基础模型，使其能够学习到病理图像的通用特征表示，从而实现对各种术中病理诊断任务的有效支持。通过这种方式，CRISP能够克服数据稀缺和泛化能力不足的问题，为临床医生提供可靠的决策支持。

技术框架：CRISP的整体框架包括数据收集与预处理、模型训练与优化、以及临床验证与部署三个主要阶段。首先，从八个医疗中心收集超过10万张冰冻切片数据，并进行标准化预处理。然后，利用这些数据训练一个深度学习模型，并进行优化以提高其诊断准确性和泛化能力。最后，通过前瞻性临床研究验证CRISP在真实世界条件下的性能，并将其部署到临床工作流程中。

关键创新：CRISP的关键创新在于其大规模、多中心的数据集和临床级的验证。与以往的研究相比，CRISP使用了更大规模的数据集，涵盖了更多的肿瘤类型和解剖部位，从而提高了模型的泛化能力。此外，CRISP还通过前瞻性临床研究验证了其在真实世界条件下的性能，证明了其在临床应用中的可行性和有效性。

关键设计：CRISP的具体模型结构和训练细节在论文中未明确说明，属于未知信息。但可以推测，可能采用了某种Transformer或者卷积神经网络作为backbone，并使用了对比学习或者其他自监督学习方法来提高模型的特征提取能力。损失函数可能包括交叉熵损失、Dice损失等，用于优化模型的分类和分割性能。具体的超参数设置也属于未知信息。

📊 实验亮点

CRISP在超过15000张术中切片上进行了评估，在近100个回顾性诊断任务中表现出强大的泛化能力。在前瞻性队列研究中，CRISP在真实世界条件下保持了较高的诊断准确性，直接为92.6%的病例的手术决策提供信息。人机协作进一步减少了35%的诊断工作量，避免了105项辅助检查，并以87.5%的准确率提高了微转移灶的检测。

🎯 应用场景

CRISP可应用于术中快速病理诊断，辅助医生进行肿瘤良恶性判断、切缘评估、淋巴结转移检测等，从而指导手术方案的制定，提高手术精度和患者生存率。该研究有望推动AI技术在病理诊断领域的广泛应用，并为其他医学影像分析任务提供借鉴。

📄 摘要（原文）

Intraoperative pathology is pivotal to precision surgery, yet its clinical impact is constrained by diagnostic complexity and the limited availability of high-quality frozen-section data. While computational pathology has made significant strides, the lack of large-scale, prospective validation has impeded its routine adoption in surgical workflows. Here, we introduce CRISP, a clinical-grade foundation model developed on over 100,000 frozen sections from eight medical centers, specifically designed to provide Clinical-grade Robust Intraoperative Support for Pathology (CRISP). CRISP was comprehensively evaluated on more than 15,000 intraoperative slides across nearly 100 retrospective diagnostic tasks, including benign-malignant discrimination, key intraoperative decision-making, and pan-cancer detection, etc. The model demonstrated robust generalization across diverse institutions, tumor types, and anatomical sites-including previously unseen sites and rare cancers. In a prospective cohort of over 2,000 patients, CRISP sustained high diagnostic accuracy under real-world conditions, directly informing surgical decisions in 92.6% of cases. Human-AI collaboration further reduced diagnostic workload by 35%, avoided 105 ancillary tests and enhanced detection of micrometastases with 87.5% accuracy. Together, these findings position CRISP as a clinical-grade paradigm for AI-driven intraoperative pathology, bridging computational advances with surgical precision and accelerating the translation of artificial intelligence into routine clinical practice.