2026 Прорывы на уровне природы с 5 миллионами срезов базы данных от mSTAR до TITAN: патология Базовая модель WSI

Патологическая диагностика является «доброкачественным стандартом» для диагностики рака, а зрелость технологии полноразмерной цифровой визуализации (WSI) позволила оцифровать патологии. Однако гигапиксельное разрешение WSI и сложная организационная структура затрудняют эффективное управление традиционной моделью CNN. В 2025-2026 годах патологический WSI AI вступил в эпоху «базовой модели» - mSTAR (Nature Communications 2025) и TITAN (Nature Medicine 2025) посредством многомодулярного обучения самоконтролю и отлично выполнил в 97 контрольных миссиях, отметив скачок патологического ИИ от «модели одной миссии» до «общей базовой модели».

Long Salang Langhui Information Technology Ltd. поддерживает этот технологический прорыв с помощью набора данных WSI с несколькими миллионами полиорганных патологий. Этот набор данных хранится в стандарте DITC VL Hole Slide Microscopy Image, охватывая HeE краситель, моно-метку IHC / мультиплатформу и специальный краситель, спектральное покрытие мультиорганов и является важным ресурсом данных для обучения базовым моделям патологии.

В традиционных моделях каждый тип рака требует отдельных моделей обучения — моделей рака легких, моделей рака молочной железы, моделей рака желудка — что приводит к разработке моделей, которые являются дорогостоящими и трудно обобщаемыми. Базовые модели могут значительно снизить затраты на разработку и развертывание патологического ИИ путем предварительной подготовки в широком спектре данных.

В 2025-2026 годах в области патологии WSI AI был запущен «конкурс базовых моделей», в котором несколько ведущих исследовательских групп и компаний опубликовали свои собственные модели основания патологии.

mSTAR (Multimodal Self-Taught Pretraining), опубликованная Nature Commissions в декабре 2025 года, объединяет трехмодальные данные по WSI, патологическим отчетам и генетической экспрессии, используя 26 169 моделей слайдового уровня, 32 типа рака и более 116 миллионов паттегов. Производительность в базовых миссиях по онкологии кросс-97 превосходна, занимая первое место в 18 миссиях из 21 набора патологических диагностических данных, а макроAUC в среднем увеличилась на 1,37 процента.

TITAN, опубликованный Nature Medicine в 2025 году, является важным показателем эволюции патологического ИИ от «помощной диагностики» до «автономной диагностики» посредством визуального наблюдения за самообучением и визуально-лингвистического выравнивания 335 645 ВСИ, не только для патологической диагностики, но и для производства патологических отчетов.

В феврале 2026 года Nature опубликовала платформу патологии CYBO-Clinical Autocell, которая объединяет оптический диализ всего среза в реальном времени и предельные расчеты для достижения классификации клеточного уровня и группового морфологического анализа. Это веха для Pathology AI, чтобы перейти от «исследований валидации» к «клинической автономии».

Кроме того, модель HSFLA (npj Digital Medicine 2026) достигла точности 95,6% (ручно) на 1161 WSI, а автоматическая маркировка области погружения соответствовала искусственным пикселям на 86,6%. Серия Prov-GigaPath (Nature 2024, arXiv 2026) представила высокоэффективные варианты, ориентированные на рассуждения, такие как GigaPath-Flash и Gigatime.

По размеру рынка мировой рынок цифровой патологии, как ожидается, превысит 1,5 млрд долларов в 2026 году, причем наиболее быстро растущим направлением станет диагностика с помощью ИИ. Нехватка патологоанатомов в Китае (3-4 патологоанатома на миллион населения, что значительно ниже 8-10 в развитых странах) является острой, и потребность в патологоанатомическом ИИ особенно острой.

Основной прорыв патологии WSI AI 2025-2026 заключается в четырех направлениях.

Первое - это совершенствование знаний о множественных мозаиках. Инновация mSTAR - интеграция трех мозаик изображений WSI, текста патологического отчета и данных генетической экспрессии. Эта многомодульная конвергенция позволяет моделям считывать не только патологические изображения, но и патологические отчеты и понимать генетическую информацию, а также достигать многомерного синтеза патологической диагностики. Восемнадцать из 21 эталонных задач занимают первое место, доказывая превосходство многорежимного обучения.

Второй — самоконтроль/самообучение. Титан самоконтролируется через 335 645 ВСИ, и может изучать универсальный характер патологических изображений без ручной маркировки. Этот прорыв значительно снизил зависимость от меченых данных, что позволило использовать большие объемы немаркированных патологических данных.

В-третьих, это способность выдавать отчеты. TITAN не только обеспечивает патологическую диагностику, но и производит структурные патологические отчеты. Это означает, что ИИ может автоматически генерировать предварительные отчеты от «Классера» до «Помощника врача» для обследования и доработки патологоанатомами, тем самым значительно повышая эффективность диагностики.

Четвертая — платформа клинической автономии. Платформа CYBO, опубликованная Nature в 2026 году, добилась «отбора проб» процесса автономной клеточной патологии путём вычисления всего спектра всего спектра оптической в реальном времени, от всего спектра оптической до краевой. Это качественное изменение патологии от «ассистирующей» до «автономной».

5 млн. наборов данных WSI в Longway Technology обеспечивают ключевую поддержку этих пограничных исследований. Наборы данных охватывают многоорганные спектральные системы, включая различные типы HeE, IHC и специальных красителей, и сохраняют исходные данные Level-0 и все уровни пирамид. Каждый срез связан с патологическим диагностическим отчетом и поддерживает многоуровневые метки уровней среза, корпуса, ROI и клеток.

Набор данных изображений WSI Longhui Tech Multiorgan Pathology размером 5 миллионов срезов является важным ресурсом данных для поддержки обучения базовым моделям патологии.

С точки зрения сбора данных, все срезы получены из Унитарного отдела патологии больницы Санче, отдавая приоритет стандарту DITC VL Hole Slide Microscopy Image, сохраняя при этом оригинальную и OME-TIFF/BigTIFF 6.3.1 совместимость. Все срезы подлежат 20-кратному + сканирующему множителю, сохраняя исходные данные уровня 0 и все уровни пирамиды, фокальную плоскость/оптические каналы и метаданные.

Для типов красителей основным веществом является HE краситель; IHC моно/многомарковый слой антител; специальный краситель по типу; замороженный/парафиновый слой. Этот слой позволяет моделям изучать организационные характеристики различных красителей и поддерживает многохромосомное совместное обучение.

С точки зрения охвата, многоорганная спектральная система покрыта, избегая чрезмерной концентрации отдельных видов рака или отдельных источников красителя.

С точки зрения системы признаков каждый срез связан с отчетом о патологической диагностике и включает стадии ТНМ, результаты иммунизации.Поддержку оказывают многоуровневые метки среза, чехла, ROI и клеточных уровней, которые не должны использоваться на разных уровнях.

В части контроля качества используется трехслойный процесс контроля с использованием первого стандарта патологоанатома + заместителя директора и вышестоящих экспертов для проведения оценки +соответствия.

С точки зрения соблюдения, все срезы юридически разрешены из источника, а поля PHI полностью не информируются.

Будущее развитие патологии WSI AI будет идти тремя путями.

Первый - непрерывное расширение базовой модели. В настоящее время в mSTAR используется 26 169 моделейных пар и 116 млн пластырей, но это все еще мало по сравнению с десятками миллионов патологических срезов, производимых по всему миру каждый год. Более крупные и более диверсифицированные данные предварительной подготовки еще больше улучшат производительность базовой модели.

В отличие от Европы и США, где распространены распространенные виды рака (например, рак печени, желудка и пищевода), модели, основанные на обучении данных в Европе и США, могут быть хуже этих видов рака.

Третье - клиническая автономия. От "помощной диагностики" до "автоматизированной диагностики" - конечная цель патологии ИИ. Автономный процесс цитологии платформы CYBO (Nature 2026) прогнозирует это направление. Набор данных технологии Longhui связан многоуровневой маркировкой и патологической отчетностью, которая обеспечивает структурированные метки для обучения автономным диагностическим моделям.

Сдвиг патологии WSI AI от «однозадачной CNN» к «многомодульной базовой модели» выявил решающую роль крупномасштабных данных о разнообразии в базовом модельном возрасте. Успех mSTAR и TITAN продемонстрировал, что размер данных, разнообразие моделей и глубина маркировки являются тремя столпами базовой производительности модели.

Long Shara'i Information Technology Ltd, которая основана на более чем 5 миллионах наборов данных о патологиях органов WSI, становится важным поставщиком услуг по обработке данных для возраста модели базы патологии.В критический момент, когда уровни Nature и Nature Medicine прорвались через реинжиниринг патологического ИИ, технология Long Slu продолжит стимулировать автономный выпуск патологической диагностики с высококачественными данными.

Патология ИИ в 2026 году ознаменовала фундаментальный переход от моделей, специфичных для конкретной миссии, к базовым моделям. Базовые модели, такие как mSTAR и TITAN, продемонстрировали, что крупномасштабную предварительную подготовку можно изучать на основе общих патологий, значительно снижая затраты на маркировку данных и пороговые значения развития моделирования путем точной настройки вниз по течению с несколькими диагностическими миссиями. Этот сдвиг ввел новые требования к данным — помимо наборов данных с одной болезнью, одноклейковыми маркировками — но потребовал обширного, многопатологического, многоцентрового изображения на основе полного среза языка предварительной подготовки.

В условиях отраслевой конкуренции конкуренция за патологическую базовую модель ИИ по сути является конкуренцией за размер данных. Международные гиганты, такие как Paiga и PathAI, накопили миллионы предтренировочных данных по WSI, в то время как Китай все еще находится на начальных этапах этой области.