《利用生成人工智能和基础模型的力量彻底变革数字病理学》

传统的病理学方法在诊断疾病中很重要，它严重依赖于在显微镜下检查组织样本。随着技术的进步和对精准医疗的日益重视，数字病理学已经成为一种进行精确定量评估的新方法。数字病理学包括利用全玻片成像(WSI)用计算机对组织样本进行数字化和分析。计算病理学进一步建立在它的基础之上，并结合人工智能(AI)和机器学习，以提取超出人眼所能感知的信息。通过利用人工智能驱动的分析工具，病理医生的临床责任（例如提供精确的诊断和量化用于诊断、预后和预测的生物标志物），可以在精度、再现性和可推广方面得到加强。人工智能可以解决病理工作流程中的诸多挑战性问题，包括:(1)不断增加的工作量和人员短缺导致医生的职业倦怠;(2)越来越复杂的诊断，包括癌症治疗方案和生物标志物的不断增加;(3)病例变异性，通常涉及罕见疾病或重叠的形态学变化;(4)由于组织折叠引起的伪影、染色不一致和压缩伪影导致的载玻片质量问题;(5)缺乏标准化，这阻碍了不同实验室、平台、图像格式和分析工具之间的互操作。

近年来，通过利用人工智能和机器学习，计算病理学已成为一个很有前途的领域。最近，特定任务的人工智能(例如，卷积神经网络)在许多图像处理和计算机视觉任务中实现了超过人类的性能，已达到了最前沿的水平。特定任务的人工智能模型的性能取决于许多带注释的训练数据集的可得性和可用性，这是病理学中人工智能发展的限速因素。特定于任务的人工智能模型无法从多模态数据中受益，并且缺乏通用性，例如，这类人工智能模型通常难以泛化到新的数据集或图像质量、染色技术或组织类型中未知的变化。

21世纪20年代见证了基础模型和生成式人工智能的兴起。基础模型是一种使用大量数据训练的大型人工智能模型，随后再使用少量特定任务的注释数据对其进行调整（或微调），以便执行不同的任务。这类人工智能模型提供上下文学习，可以自我纠正错误，并能根据用户反馈及时进行调整。

本文的内容结构如下：

第一部分是引言。

第二部分简要概述了人工智能和机器学习模型，以及这些特定任务的人工智能模型在计算病理学中的进展。

第三部分介绍了各种基础模型，以及它们的结构、特点和局限性。

第四部分概述了基础模型在不久的将来可能在病理实验室工作流程中发挥的变革性作用，并提供了一些用例，描述了基于基础模型的病理生成式人工智能如何作为病理医生的专家伴侣，协助高效客观地执行常规实验室工作任务，包括图像分析、呈现和解释结果、量化分析、生成报告、进行预后分析和做出预测。

第五部分是总结。此前还概述了基础模型和生成式人工智能在病理学教育和培训中可以发挥的潜在作用。