2026 Durchbrüche auf Naturebene mit 5 Millionen Datenbeständen von mSTAR bis TITAN: Pathologie WSI-Basismodell

Die pathologische Diagnose ist der "Kind-Standard" für die Krebsdiagnose, und die Reife der Whole-Slice-Technologie für digitale Bildgebung (WSI) hat es ermöglicht, Pathologien zu digitalisieren. Die WSI-Gigapixelauflösung und die komplexe Organisationsstruktur machen es jedoch schwierig, das traditionelle CNN-Modell effektiv zu handhaben. In den Jahren 2025-2026 trat die pathologische WSI AI durch multimodulares Selbstüberwachungslernen in die Ära des "Grundmodells" ein und schnitt in 97 Benchmark-Missionen hervorragend ab und markierte den Sprung der pathologischen KI von "ein Missionsmodell" zu "allgemeines Basismodell".

Long Salang Langhui Information Technology Ltd. unterstützt diesen technologischen Durchbruch mit einem 5 Millionen Multi-Organ-Pathologie-WSI-Datensatz. Dieser Datensatz wird im DITC VL Hole Slide Microscopy Image Standard gespeichert und deckt HeE-Farbstoff, IHC-Mono-Label / Multiplattform und Spezialfarbstoff, Multi-Organ-Spektralabdeckung ab und ist eine wichtige Datenquelle für das Training in grundlegenden Pathologiemodellen.

Die zugrunde liegende Modellierung der KI ist weitreichend. In herkömmlichen Modellen erfordert jeder Krebstyp separate Trainingsmodelle — Lungenkrebsmodelle, Brustkrebsmodelle, Magenkrebsmodelle — was zur Entwicklung von Modellen führt, die teuer und schwer zu verallgemeinern sind. Grundlegende Modelle können die Kosten der Entwicklung und des Einsatzes pathologischer KI durch Vorschulungen in einer Vielzahl von Daten erheblich senken.

In den Jahren 2025-2026 wurde ein "Grundmodellwettbewerb" im Bereich der Pathologie WSI AI gestartet, bei dem mehrere Top-Forschungsteams und Unternehmen ihre eigenen Pathologie-Grundlagenmodelle veröffentlichten.

mSTAR (Multimodal Self-Taught Pretraining), das im Dezember 2025 von der Nature Commission veröffentlicht wurde, integriert dreimodulare Daten zu WSI, pathologischen Berichten und genetischer Expression, wobei 26.169 Dia-Level-Modellpaare, 32 Krebsarten und über 116 Millionen Pattages verwendet werden. Die Leistung in den 97-übergreifenden Onkologie-Baseline-Missionen ist ausgezeichnet und belegt den ersten Platz in den 18 Missionen der 21 pathologischen Diagnosedatensätze, und MakroAUC hat im Durchschnitt um 1,37 Prozent zugenommen.

TITAN, veröffentlicht von Nature Medicine im Jahr 2025, ist ein wichtiger Indikator für die Entwicklung der pathologischen KI von der "Aided Diagnostik" zur "autonomen Diagnose" durch die visuelle Überwachung des Selbstlernens und der visuell-linguistischen Ausrichtung von 335.645 WSIs, nicht nur für die pathologische Diagnose, sondern auch für die Erstellung pathologischer Berichte.

Im Februar 2026 veröffentlichte Nature die CYBO-Clinical Autocell Pathology Platform, die optische Vollscheibendialyse und Randberechnungen kombiniert, um eine Klassifizierung auf Zellebene und morphologische Gruppenanalyse zu erreichen.

Darüber hinaus erreichte das HSFLA-Modell (npj Digital Medicine 2026) eine Genauigkeitsrate von 95,6 Prozent (von Hand) bei 1161 WSIs, und die automatische Markierung des Immersionsbereichs war mit künstlichen Pixeln von 86,6 Prozent konsistent. Die Prov-GigaPath-Serie (Nature 2024, arXiv 2026) führte hochwirksame schlussfolgernde Varianten wie GigaPath-Flash und Gigatime ein.

In Bezug auf die Marktgröße wird erwartet, dass der globale Markt für digitale Pathologie im Jahr 2026 1,5 Milliarden US-Dollar übersteigen wird, wobei die KI-gestützte Diagnose der am schnellsten wachsende Bereich ist. Chinas Mangel an Pathologen (3-4 Pathologen pro Million Einwohner, weit unter 8-10 in den entwickelten Ländern) ist akut und der Bedarf an Pathologen-KI ist besonders akut.

Der zentrale Durchbruch der Pathologie WSI AI 2025-2026 ist in viererlei Hinsicht.

Die erste ist die Erweiterung des Wissens über mehrere Mosaike. Die Innovation von mSTAR besteht in der Integration von drei Mosaiken aus WSI-Bildern, pathologischem Berichtstext und genetischen Expressionsdaten. Diese multimodulare Konvergenz ermöglicht es Modellen, nicht nur pathologische Bilder zu lesen, sondern auch pathologische Berichte und genetische Informationen zu verstehen und eine multidimensionale Synthese der pathologischen Diagnose zu erreichen. Achtzehn der 21 Benchmark-Aufgaben stehen an erster Stelle und beweisen die Überlegenheit des multimodalen Lernens.

Die zweite ist selbstüberwacht/selbstunterrichtend. TITAN wird durch 335.645 WSIs selbstüberwacht und kann den universellen Charakter pathologischer Bilder ohne manuelle Kennzeichnung lernen. Dieser Durchbruch hat die Abhängigkeit von markierten Daten erheblich reduziert und ermöglicht die Verwendung großer Mengen nicht markierter pathologischer Daten.

Drittens die Fähigkeit, Berichte zu erstellen. TITAN stellt nicht nur eine pathologische Diagnose, sondern auch strukturelle pathologische Berichte bereit. Das bedeutet, dass KI automatisch Vorberichte vom "Klasser" bis zum "Arztassistenten" für die Untersuchung und Überarbeitung durch Pathologen erstellen kann, wodurch die Wirksamkeit der Diagnose signifikant verbessert wird.

Die vierte ist die klinische Autonomieplattform. Die CYBO-Plattform, die 2026 von Nature veröffentlicht wurde, hat den Prozess der "Ein- und Ausmusterung" der autonomen Zellpathologie erreicht, indem sie das gesamte Spektrum des gesamten optischen Spektrums in Echtzeit berechnet, vom gesamten Spektrum der Optik bis zum Rand. Es ist eine qualitative Veränderung der Pathologie von "Unterstützung" zu "Autonomie".

5 Millionen WSI-Datensätze im Bereich Longway Technology sind eine wichtige Unterstützung für diese Grenzstudien. Die Datensätze umfassen Multiorgan-Spektralsysteme, einschließlich verschiedener Arten von HeE, IHC und Spezialfarbstoffen, und behalten die ursprünglichen Level-0-Daten und alle Pyramidenebenen bei. Jede Schicht ist mit einem pathologischen Diagnosebericht verknüpft und unterstützt Multi-Level-Etiketten von Schicht-, Fall-, ROI- und Zellebenen.

Der Longhui Tech Multiorgan Pathology WSI Bilddatensatz mit einer Größe von 5 Millionen Scheiben ist eine wichtige Datenressource, um die Ausbildung in grundlegenden Pathologiemodellen zu unterstützen.

Was die Datenerhebung betrifft, so werden alle Schichten aus der Einheits-Pathologie-Sektion des Sanchae Hospitals abgeleitet, wobei der DITC VL Hole Slide Microscopy Image Standard Vorrang hat, wobei die Interoperabilität des Originals und des OME-TIFF/BigTIFF 6.3.1 gewahrt bleibt.

Für Farbstofftypen ist die Hauptsubstanz HE-Farbstoff, IHC-Mono-/Multi-Label-Antikörperschicht, Spezialfarbstoff nach Typ, gefrorene/paraffinierte Schicht. Dieses Schichtdesign ermöglicht es Modellen, die organisatorischen Eigenschaften verschiedener Farbstoffe zu erlernen und unterstützt das multichromosomale gemeinsame Lernen.

In Bezug auf die Abdeckung wird das Multiorgan-Spektralsystem abgedeckt, wodurch eine Überkonzentration durch einzelne Krebsarten oder einzelne Farbstoffquellen vermieden wird.

Was das System der Zeichen betrifft, so wird jede Scheibe mit dem Bericht über die pathologische Diagnose verknüpft und umfasst TNM-Stadien, Immunisierungsergebnisse, die Unterstützung von mehrstufigen Etiketten der Scheibe, des Falles, des ROI und der Zellebene, die nicht auf verschiedenen Ebenen verwendet werden sollen.

In Bezug auf die Qualitätskontrolle wird der dreischichtige Kontrollprozess mit dem ersten Standard von Pathologen + stellvertretender Direktor und Experten zur Überprüfung der +Konformitätsbewertung verwendet.

In Bezug auf die Compliance sind alle Slices gesetzlich von einer Quelle autorisiert und PHI-Felder sind vollständig dissensibilisiert.

Die zukünftige Entwicklung der Pathologie WSI AI wird drei Pfade folgen.

Der erste ist die kontinuierliche Erweiterung des Basismodells. Der mSTAR verwendet derzeit 26.169 Modellpaare und 116 Millionen Patches, aber dieser ist immer noch gering im Vergleich zu den Dutzenden Millionen pathologischen Scheiben, die jährlich weltweit produziert werden. Größere und diversifiziertere Vorschulungsdaten werden die Leistung des Basismodells weiter verbessern.

Die zweite ist die Anpassung der chinesischen Bevölkerung: Im Gegensatz zu Europa und den Vereinigten Staaten, wo häufige Krebsarten verbreitet sind (z. B. Leber-, Magen- und Speiseröhrenkrebs sind häufiger), könnten Modelle, die auf Datentraining beruhen, in Europa und den Vereinigten Staaten unterdurchschnittlich sein.

Die dritte ist die klinische Autonomie. Von der "unterstützten Diagnose" bis zur "automatischen Diagnose" ist das ultimative Ziel der KI. Der autonome Zytologieprozess der CYBO-Plattform (Nature 2026) sagt diese Richtung voraus. Der Datensatz der Longhui-Technologie ist durch mehrstufige Kennzeichnung und pathologische Berichterstattung verbunden, die strukturierte Etiketten für das Training in autonomen Diagnosemodellen bereitstellt.

Die Verschiebung der WSI AI von einem "Single-Task-CNN" zu einem "Multi-Modular-Basismodell" hat die entscheidende Rolle groß angelegter Diversitätsdaten im Basismodellalter offenbart. Der Erfolg von mSTAR und TITAN hat gezeigt, dass Datengröße, Modellvielfalt und Markierungstiefe die drei Säulen der zugrunde liegenden Modellleistung sind.

Long Shara'i Information Technology Ltd, das auf mehr als 5 Millionen WSI-Datensätzen für Organpathologie basiert, wird zu einem wichtigen Datendienstleister für das Alter des Pathologie-Basismodells. In einer kritischen Zeit, in der die Ebenen von Natur und Naturmedizin die Neugestaltung der pathologischen KI durchbrochen haben, wird die Technologie von Long Slu die autonome Veröffentlichung der pathologischen Diagnostik mit hochwertigen Daten weiter vorantreiben.

Die KI-Pathologie im Jahr 2026 führte zu einer grundlegenden Verschiebung von missionsspezifischen Modellen zu grundlegenden Modellmodellen. Grundlegende Modelle wie mSTAR und TITAN zeigten, dass groß angelegte Vorschulungen aus generischen Pathologien gelernt werden können, wodurch die Kosten für die Datenetikettierung und die Schwellen für die Modellierungsentwicklung durch eine Feinabstimmung nachgeschalteter Programme mit mehreren Diagnosemissionen erheblich gesenkt werden. Diese Verschiebung führte zu neuen Datenanforderungen — über einzelne Krankheits-, Einzelband-markierte Datensätze hinaus — erforderte jedoch eine umfangreiche, multipathologische, multizentrische Vollbild-Vorschulungssprache.

Im Branchenwettbewerb ist der Wettbewerb um das pathologische KI-Basismodell im Wesentlichen ein Wettbewerb um die Datengröße. Internationale Giganten wie Paiga und PathAI haben Millionen von Vorschulungsdaten zum WSI angesammelt, während China sich noch in der Anfangsphase dieses Bereichs befindet.