Digepath
Subspecialty-specific foundation model for intelligent gastrointestinal pathology
data: 胃肠专科病理预训练与 33 项下游任务
npj Digital Medicine 2026 · 论文
引言
面向胃肠专科开展多尺度自监督预训练与专家标注区域微调，学习用于诊断、分子预测和预后任务的专科基础表征。
方法
（1）专科预训练：在胃肠组织中学习多尺度基础表征。
（2）区域微调：用专家标注的肿瘤/非肿瘤区域增强病灶感知。
（3）下游适配：在诊断、分子、预后及推理任务中检验专科知识。
原文Figure 1，PDF 第 7 页。
实验
实验设置
预训练用 210,043 张 H&E 切片和多尺度 patch，再用 471,443 个专家区域进行任务相关微调。
主要结果
作者报告在 33 项下游任务中的 32 项达到所比较最佳，覆盖诊断、分子和预后；不可写成每项均领先。
消融与讨论
区分自监督预训练、区域微调和临床推理集成，注意专科模型与通用模型的训练数据边界。
参考文献
Subspecialty-specific foundation model for intelligent gastrointestinal pathology
npj Digital Medicine 2026 · 论文