科大研发创新AI病理分析系统 缩减模型训练准确诊断多种癌症

香港科技大学（科大）领导的研究团队最近成功研发出一套创新的人工智能（AI）病理分析系统。该系统仅需要极少量样本，且毋须额外训练，即可准确识别多种癌症，显著提升AI辅助医疗的灵活性与效率，为智能病理诊断的普及化带来重要突破。

全球每年新增近2,000万宗癌症病例，病理检查在临床诊断和治疗决策中扮演关键角色。然而，面对病理学医生严重短缺的挑战，医疗界十分渴求创新的解决方案，以提高病理分析的效率。尽管AI在自动化病理诊断方面展现巨大潜力，现有技术的实际应用仍面对多重瓶颈。传统AI模型须针对每一种癌症种类或诊断任务，收集数以万计的病理图像及数据进行训练，过程不仅耗时，亦涉及高昂的运算与人力成本。此外，现有病理基础模型往往缺乏通用性，在不同肿瘤类型的临床分析中往往需要大量微调训练，限制了其在资源匮乏地区及多元临床场景中的应用。

为有效应对上述挑战，科大电子及计算机工程学系助理教授兼医学成像与影像分析研究中心副主任李小萌教授领导的研究团队，联同广东省人民医院及哈佛医学院，成功开发出一套名为PRET（Pan-cancer Recognition without Example Training）的全新病理分析系统。该系统首次将自然语言处理中的「上下文学习」（In-context Learning）概念引入病理影像分析，让模型在推理阶段仅需参考一至八张已标注的肿瘤切片，便可实时适配全新的癌症类型并执行多项诊断任务，包括癌症筛检、肿瘤分型、肿瘤分割等，犹如一套「即插即用」的智能诊断工具，彻底打破传统AI模型须针对每项任务进行大规模微调的限制。

研究团队采用来自中国内地、美国、荷兰等多个国家及地区的多所医疗机构共23个国际基准数据集，涵盖18种癌症类型及不同诊断任务，对PRET系统进行全面验证。结果显示，PRET在20项测试任务中表现均优于现有同类方法，其中15项任务的准确性指标（AUC）高达97%。在大肠癌筛查任务中，系统的AUC值更达100%；而于食道鳞状细胞癌肿瘤分割任务中，AUC值亦高达99.54%。此外，在临床上具高度挑战性的淋巴结转移检测任务中，PRET仅凭八张切片样本，便取得约98.71%的AUC值，其整体表现更显著超越11位病理学医生的平均水平（平均AUC值约为81%）。研究亦显示，PRET在不同人群及医疗资源水平各异的地区，均展现出稳定而卓越的通用化能力。

李小萌教授表示：「PRET系统的核心价值，在于突破『大量数据与反复训练』的传统门槛，让AI病理分析系统能够在更低成本及更高灵活性的条件下，应用于实际临床场景。这不仅有助纾缓病理医生的工作压力，亦有望提升在资源匮乏地区癌症诊断的可及性。研究团队期望透过这套『即插即用』的创新系统，令更先进、更精准的AI医疗诊断服务能跨越地域与资源限制，推动全球医疗公平。」

展望未来，研究团队将进一步提升系统的诊断效能，并拓展应用至基因突变预测及病人预后评估等临床任务，为AI病理诊断开辟更多发展新方向。

相关研究成果已于国际权威期刊《Nature Cancer》发表。