科大研发新型AI病理分析系统 部分诊断任务准确指标达100%
发布时间：15:57 2026-04-21 HKT
全球每年新增近2000万宗癌症病例，病理检查在临床诊断和治疗决策中扮演关键角色。香港科技大学领导的研究团队最近研发出一套新型人工智能（AI）病理分析系统，在毋须额外训练下，系统只须极少量样本即可准确识别多种癌症；其于20项测试任务中表现均优于现行同类方法，部分项目的准确性指标（AUC）更高达100%。团队期望进一步提升系统的诊断效能，并拓展应用至基因突变预测及病人预后评估等范畴。有关成果已于国际期刊《Nature Cancer》发表。
「上下文学习」概念引入病理影像分析
虽然AI在自动化病理诊断方面具备巨大潜力，惟现有技术的实际应用仍面对多重瓶颈，例如传统AI模型须针对每一种癌症种类或诊断任务，收集数以万计的病理图像及数据进行训练，过程耗时且涉及高昂的运算与人力成本；现有病理基础模型亦缺乏通用性，在不同肿瘤类型的临床分析中需要大量微调训练，限制其于资源匮乏地区及多元临床场景中的应用。
由科大电子及计算机工程学系助理教授兼医学成像与影像分析研究中心副主任李小萌领导的研究团队，早前联同广东省人民医院及哈佛医学院，成功开发出名为PRET（Pan‑cancer Recognition without Example Training）的全新病理分析系统。该系统首次将自然语言处理中的「上下文学习」（In-context Learning）概念引入病理影像分析，让模型在推理阶段仅需参考1至8张已标注的肿瘤切片，便可即时适配全新的癌症类型并执行多项诊断任务，包括癌症筛检、肿瘤分型、肿瘤分割等。
为对PRET系统进行全面验证，团队采用来自中国内地、美国、荷兰等多个国家及地区的多所医疗机构，共23个国际基准数据集，涵盖18种癌症类型及不同诊断任务，结果PRET在20项测试任务中表现均优于现有同类方法，其中15项任务的准确性指标（AUC）高达97%，当中大肠癌筛查任务的AUC值更达100%，食道鳞状细胞癌肿瘤分割任务的AUC值亦达99.54%。
20项测试任务表现均优于现有方法
另外，在临床上具高度挑战性的淋巴结转移检测任务中，PRET仅凭8张切片样本，便取得约98.71%的AUC值，其整体表现更显著超越11位病理学医生约81%的平均AUC值。研究亦反映，PRET在不同人群及医疗资源水平各异的地区，仍展现出稳定而卓越的通用能力。
李小萌认为，PRET系统的核心价值在于突破「大量数据与反复训练」的传统门槛，让AI病理分析系统能够以在更低成本及更灵活性的条件下，应用于实际临床场景，不仅有助纾缓病理医生的工作压力，亦有望提升在资源匮乏地区癌症诊断的可及性。
展望未来，研究团队冀进一步提升系统的诊断效能，并拓展应用至基因突变预测及病人预后评估等临床任务，为AI病理诊断开辟更多发展新方向，「期望透过这套『即插即用』的创新系统，令更先进、更精准的AI医疗诊断服务能跨越地域与资源限制，推动全球医疗公平。」
本报记者
延伸阅读︰
