主要观点总结
文章介绍了一种用于癌症诊断和预后预测的病理基础模型CHIEF（Clinical Histopathology Imaging Evaluation Foundation）。该模型通过弱监督机器学习框架，结合无监督和弱监督预训练方法，从病理图像中提取癌症相关特征。研究背景指出传统人工智能方法缺乏在不同病理图像数字化协议和人群中的通用性，而CHIEF模型旨在解决这一问题。文章重点介绍了CHIEF模型的强大性能和广泛应用前景。
关键观点总结
关键观点1: CHIEF模型的介绍和应用
文章详细描述了CHIEF模型的构建过程，包括其弱监督机器学习框架、无监督和弱监督预训练方法，以及其在癌症诊断、基因突变预测和患者生存预后评估中的应用。
关键观点2: CHIEF模型的性能表现
CHIEF模型在大量病理图像数据集上表现出强大的性能，解决了现有AI方法泛化能力差的问题。其性能经过国际多个独立数据集的验证，表现出较高的准确性和泛化能力。
关键观点3: 研究背景和动机
传统的人工智能方法在病理图像分析上通常针对特定任务进行优化，导致在不同的数字化协议和人群中缺乏通用性。CHIEF模型的提出旨在解决这一问题，通过大规模预训练提高不同病理数据集之间的泛化能力。
文章预览
SCI 3 October 2024 A pathology foundation model for cancer diagnosis and prognosis prediction (Nature, IF: 50.5) Xiyue Wang, Junhan Zhao, Eliana Marostica, Wei Yuan, Jietian Jin, Jiayu Zhang, Ruijiang Li, Hongping Tang, Kanran Wang, Yu Li, Fang Wang, Yulong Peng, Junyou Zhu, Jing Zhang, Christopher R. Jackson, Jun Zhang, Deborah Dillon, Nancy U. Lin1, Lynette Sholl1, Thomas Denize, David Meredith, Keith L. Ligon1, Sabina Signoretti, Shuji Ogino, Jeffrey A. Golden, MacLean P. Nasrallah, Xiao Han, Sen Yang & Kun-Hsing Yu CORRESPONDENCE TO: sen.yang.scu@gmail.com; Kun-Hsing Yu@hms.harvard.edu Histopathology image evaluation is indispensable for cancer diagnoses and subtype classification. Standard artificial intelligence methods for histopathology image analyses have focused on optimizing specialized models for each diagnostic task. Although such methods have achieved some success, they often have limited generalizability to images generated by different digitization protocols or sample
………………………………
