Introducción: IA patológica en la edad modelo básica
El diagnóstico patológico es el "estándar de género" para el diagnóstico del cáncer, y la madurez de la tecnología de imagen digital de todo el piojo (WSI) ha hecho posible digitalizar patologías. Sin embargo, la resolución gigapixel WSI y la estructura organizativa compleja hacen que el modelo tradicional de CNN sea difícil de manejar eficazmente.
Long Salang Langhui Information Technology Ltd. apoya este avance tecnológico con un conjunto de datos WSI de 5 millones de patologías multiorgan. Este conjunto de datos se almacena en el DITC VL Hole Slide Microscopy estándar de imagen, cubriendo el tinte HeE, IHC mono-label/multiplatform y tinte especial, cobertura espectral multiorgan, y es un recurso de datos importante para la formación en modelos de patología básica.
El modelado subyacente de patología AI es de gran alcance. En modelos tradicionales, cada tipo de cáncer requiere modelos de entrenamiento separados — modelos de cáncer de pulmón, modelos de cáncer de mama, modelos de cáncer de estómago— que conducen al desarrollo de modelos costosos y difíciles de generalizar. Los modelos básicos pueden reducir significativamente los costos de desarrollo y despliegue de IA patológico por pre-entrenamiento en una amplia variedad de datos.
Estado actual de la industria: una competencia global sobre modelos patológicos subyacentes
En 2025-2026, se lanzó una "competición básica de modelos" en el campo patológico WSI AI, con varios equipos de investigación y empresas que publican sus propios modelos de fundación patología.
mSTAR (Multimodal Self-Taught Pretraining) publicado por Nature Commissions en diciembre de 2025, integra datos trimodilares sobre WSI, informes patológicos y expresión genética, utilizando 26.169 pares de modelos de nivel de diapositivas, 32 tipos de cáncer y más de 116 millones de pattages. El rendimiento en las misiones de base oncológica cross-97 es excelente, ranking primero en las 18 misiones de 21 conjuntos de datos de diagnóstico patológico 1.
TITAN, publicado por Nature Medicine en 2025, es un indicador importante de la evolución de la IA patológica desde el "diagnóstico asentado" hasta el "diagnóstico autónomo" a través de la supervisión visual de la alineación auto-aprendizaje y visual-lingüística de 335.645 IMM, no sólo para el diagnóstico patológico, sino también para la producción de informes patológicos.
En febrero de 2026, Nature publicó la Plataforma de patología autocelular CYBO, que combina diálisis óptica de todo el piojo en tiempo real y cálculos marginales para lograr la clasificación de nivel celular y análisis morfológico de grupo. Este es un hito para que la Pathology AI se mueva de la "validación de investigación" a la "autonomía clínica".
Además, el modelo HSFLA (npj Digital Medicine 2026) alcanzó una tasa de precisión del 95,6% (a mano) en 1161 WSIs, y la marca automática del área de inmersión fue consistente con píxeles artificiales en 86,6%. La serie Prov-GigaPath (Natura 2024, arXiv 2026) introdujo variantes de alto impacto orientados al razonamiento como Gigath y GiPath.
En cuanto al tamaño del mercado, se espera que el mercado global de patología digital supere los 1.500 millones de dólares en 2026, ya que el diagnóstico asistido por IA es la zona de mayor crecimiento. La escasez de patólogos de China (3-4 patólogos por millón de habitantes, muy por debajo de 8-10 en países desarrollados) es aguda, y la necesidad de patólogo es particularmente aguda.
2026 Avance de línea frontal: modelo múltiple, auto-control y generación de informes
El avance fundamental de la patología WSI AI 2025-2026 es de cuatro maneras.
La primera es la mejora del conocimiento de múltiples mosaicos. La innovación de mSTAR es la integración de tres mosaicos de imágenes WSI, datos de texto de reportaje patológico y de expresión genética. Esta convergencia multimodular permite a los modelos leer no sólo imágenes patológicas, sino también informes patológicos y comprensión de la información genética, y lograr una síntesis multidimensional del diagnóstico patológico. Dieciocho de las 21 tareas de referencia son las primeras, demostrando la superioridad del aprendizaje multimodo.
El segundo es autosupervisado/ auto-enseñamiento. TITAN es autosupervisado a través de 335.645 WSIs, y puede aprender el carácter universal de las imágenes patológicas sin etiquetado manual. Este avance ha reducido significativamente la dependencia de los datos etiquetados, lo que permite utilizar grandes cantidades de datos patológicos no marcados.
Tercero es la capacidad de producir informes. TITAN no sólo proporciona diagnóstico patológico, sino también produce informes patológicos estructurales. Esto significa que AI puede generar automáticamente informes preliminares del "Clasificador" al "Asistente Médico" para su examen y revisión por patólogos, mejorando así significativamente la eficacia del diagnóstico.
La cuarta es la plataforma de autonomía clínica. La plataforma CYBO, publicada por Nature en 2026, ha logrado el proceso de "ampliación dentro y fuera de" patología celular autónoma calculando todo el espectro de todo el espectro de la óptica en tiempo real, desde todo el espectro de la óptica hasta el borde. Es un cambio cualitativo en patología desde "asista" a "autonomía".
5 millones de datos WSI en Longway Technology proporcionan un soporte clave para estos estudios fronterizos. Los conjuntos de datos cubren sistemas espectrales multiorgánicos, incluyendo varios tipos de HeE, IHC y tintes especiales, y conservan los datos originales Level-0 y todos los niveles de pirámide. Cada rebanada está vinculada a un informe patológico de diagnóstico y admite etiquetas multinivel de niveles de rodajas, caso, ROI y células.
Longhui Tech conjunto de datos: sistematización de 5 millones de rodajas
El conjunto de datos de imagen WSI multiorgan Pathology WSI de Longhui Tech, con un tamaño de 5 millones de rebanadas, es un recurso de datos importante para apoyar la formación en modelos básicos de patología.
En términos de recopilación de datos, todas las secciones se derivan de la Sección de Patología unitaria del Hospital Sanchae, dando prioridad a la microscopía de diapositivas DITC VL Hole estándar de imagen, preservando al mismo tiempo la interoperabilidad original y OME-TIFF/BigTIFF 6.3.1. Todas las secciones están sujetas a un multiplicador de 20 veces + escaneado, conservando los datos brutos de Nivel-0 y todos los niveles de pirámide, focal plano/cético y canales.
Para los tipos de tinte, la sustancia principal es el tinte HE; capa anticuerpo mono/multi-label IHC; tinte especial por tipo; capa congelado/parafina. Este diseño de capa permite a los modelos aprender características organizativas de diferentes tintes y admite el aprendizaje conjunto multicromosómico.
En términos de cobertura, el sistema espectral multiorgan está cubierto, evitando la sobreconcentración por cánceres individuales o por fuentes de tinte individuales.
En términos del sistema de signos, cada rebanada está vinculada al informe patológico de diagnóstico, e incluye etapas TNM, resultados de inmunización. Se da soporte a etiquetas multinivel de la rebanada, caso, ROI y niveles celulares, que no se utilizan en diferentes niveles.
En términos de control de calidad, se utiliza el proceso de control de tres capas utilizando el primer estándar de patólogo + subdirector y expertos para revisar la evaluación de +conformidad.
En términos de cumplimiento, todas las secciones están legalmente autorizadas de una fuente y los campos de PHI están completamente dessensibilizados.
Perspectivas futuras: China ' s ruta hacia el modelo base patológico
El desarrollo futuro de la patología WSI AI seguirá tres caminos.
El primero es la continua expansión del modelo base. El mSTAR utiliza actualmente 26.169 pares de modelos y 116 millones de parches, pero esto es todavía pequeño en comparación con las decenas de millones de rebanadas patológicas producidas a nivel mundial cada año. Los datos de pre-entrenamiento más grandes y más diversificados mejorarán aún el rendimiento del modelo base.
La segunda es la adaptación de la población china. A diferencia de Europa y Estados Unidos, donde se diseminan cánceres comunes (por ejemplo, el hígado, el estómago y el cáncer de esófago son más frecuentes), los modelos basados en la formación de datos en Europa y Estados Unidos pueden estar infravalorando estos cánceres.
El tercero es la autonomía clínica. Desde el "diagnóstico acordado" al "diagnóstico automatizado" es el objetivo final de la patología AI. El proceso de citología autónoma de la plataforma CYBO (Naturaleza 2026) predice esta dirección. El conjunto de datos de la tecnología Longhui está vinculado por el etiquetado multinivel y el reporte patológico, que proporciona etiquetas estructuradas para la formación en modelos de diagnóstico autónomos.
Observaciones finales: Estrategias patológicas de datos para la edad modelo básica
El cambio de patología WSI AI de un "CNN de punta" a un "modelo base multimodular" ha revelado el papel decisivo de los datos de diversidad a gran escala en la edad modelo básica. El éxito de mSTAR y TITAN ha demostrado que el tamaño de los datos, la diversidad modelo y la profundidad de marca son los tres pilares del rendimiento de modelo subyacente.
Long Shara'i Information Technology Ltd, que se basa en más de 5 millones de conjuntos de datos de patología de órganos WSI, se está convirtiendo en un importante proveedor de servicios de datos para la edad modelo de patología. En un momento crítico cuando los niveles de Nature and Nature Medicine han roto a través de la reingeniería de la IA patológica, la tecnología Long Slu seguirá impulsando la liberación autónoma de diagnósticos patológicos con datos de alta calidad.
Estrategia de datos para la edad modelo básico de AI patológica
La patología AI en 2026 usurpó un cambio fundamental de modelos específicos para la misión a modelos básicos. Modelos básicos como mSTAR y TITAN demostraron que la pre-entrenamiento a gran escala puede aprenderse de patologías genéricas, reduciendo significativamente los costos de etiquetado de datos y modelando umbrales de desarrollo mediante un ajuste de imagen a nivel inferior con múltiples misiones de diagnóstico.
En cuanto a la competencia de la industria, la competencia para el modelo básico de IA patológica es esencialmente una competencia para el tamaño de los datos. Los gigantes internacionales como Paiga y PathAI han acumulado millones de datos de pre-entrenamiento sobre IMM, mientras que China sigue en las etapas iniciales de esta área.