CHIEF
A Pathology Foundation Model for Cancer Diagnosis and Prognosis Prediction
data: 19 个解剖部位预训练数据；32 个独立测试集，覆盖 24 家医院/队列
引言
结合 tile 级无监督预训练和切片级弱监督预训练，学习跨任务病理表征，覆盖癌细胞检测、肿瘤来源、分子特征与预后预测。
方法
（1）Tile 预训练：无监督编码细胞形态和局部组织特征。
（2）切片预训练：以弱监督学习器官与整体组织模式。
（3）跨任务迁移：用共享病理表征适配检测、来源、分子和预后任务。
原文Fig. 1，PDF 第 30 页。
实验
实验设置
预训练使用 60,530 张 WSI，外部验证使用 19,491 张；覆盖癌检测、来源、分子及预后任务。
主要结果
预后评估中作者报告平均 C-index 为 0.74，比较 PORPOISE 的 0.62 和 DSMIL 的 0.67；该数字属于对应评估集。
消融与讨论
同时阅读跨癌种外部验证与生存分层，不把预训练规模和下游样本规模相加。
参考文献
A Pathology Foundation Model for Cancer Diagnosis and Prognosis Prediction