2025年3月10日,上海交通大学医学院临床研究中心/上海交通大学生命科学技术学院俞章盛教授课题组在Nature Communications在线发表题目为“A foundation model for generalizable cancer diagnosis and survival prediction from histop...2025年3月10日,上海交通大学医学院临床研究中心/上海交通大学生命科学技术学院俞章盛教授课题组在Nature Communications在线发表题目为“A foundation model for generalizable cancer diagnosis and survival prediction from histopathological images”的研究论文。该研究依托掩码图像建模(masked image modeling,MIM)方法,成功构建了一个可以有效处理癌症分析和生存预测问题的病理基础模型——BEPH(BEiT-based model Pretraining on Histopathological image)。该模型的特色在于能利用大规模未标记病理图像数据进行自监督学习。相较于参数量庞大、数据需求高的病理基础模型(如CHIEF等),BEPH通过较少的参数量和有限预训练数据,在保持模型效能相当或更优的同时,为临床场景的应用开辟了新的路径和可能性。BEPH为癌症检测、亚型分类和生存预测提供了一条通用路径。它能够通过预训练与微调的途径实现对癌症病理变化的高效识别,并为癌症诊断和患者预后提供强有力的支持。展开更多
文摘2025年3月10日,上海交通大学医学院临床研究中心/上海交通大学生命科学技术学院俞章盛教授课题组在Nature Communications在线发表题目为“A foundation model for generalizable cancer diagnosis and survival prediction from histopathological images”的研究论文。该研究依托掩码图像建模(masked image modeling,MIM)方法,成功构建了一个可以有效处理癌症分析和生存预测问题的病理基础模型——BEPH(BEiT-based model Pretraining on Histopathological image)。该模型的特色在于能利用大规模未标记病理图像数据进行自监督学习。相较于参数量庞大、数据需求高的病理基础模型(如CHIEF等),BEPH通过较少的参数量和有限预训练数据,在保持模型效能相当或更优的同时,为临床场景的应用开辟了新的路径和可能性。BEPH为癌症检测、亚型分类和生存预测提供了一条通用路径。它能够通过预训练与微调的途径实现对癌症病理变化的高效识别,并为癌症诊断和患者预后提供强有力的支持。
