Nat Cancer | 无需训练、少量样本即可多癌种识别！PRET 系统为病理诊断 AI 带来范式突破|样本|甲状腺|病理|癌症|癌种识别|肿瘤

全球每年新发癌症病例约 1930 万，病理检查是癌症确诊的 “金标准”，但全球范围内病理医生严重短缺，发展中国家和资源匮乏地区的供需矛盾尤为突出。人工智能为自动化病理诊断带来新可能，却面临两大核心难题：一是训练需海量标注数据，二是缺乏通用性。即便现有病理基础模型实现了泛癌症特征提取，落地应用仍需大量微调训练和专家资源，难以在资源匮乏地区推广。在此背景下，开发一款无需训练、仅靠少量样本就能实现多癌种识别的通用系统，成为病理 AI 领域的迫切需求。

近日，香港科技大学李小萌教授团队、广东省人民医院张庆玲教授团队联合张康教授、哈佛医学院余坤兴教授等，在 Nature Cancer 上发表了文章PRET is a few-shot system for pan-cancer recognition without example training，提出全新的 PRET 泛癌种识别系统，为多癌种病理诊断打造了 “即插即用” 的全新解决方案。该系统的核心创新，是将自然语言处理领域的上下文学习概念，首次引入病理图像分析领域。与传统 AI 方法不同，PRET 无需任何参数微调，仅在推理阶段加入 1–8 张标注切片作为 “视觉上下文”，就能完成学习与识别。其架构包含特征提取器、上下文标注器等六大核心模块，可一站式支持癌症筛查、肿瘤分型、肿瘤分割、淋巴结转移检测等多种病理诊断任务。

图1 : PRET是一个面向多任务的统一框架

1. 大规模跨中心评估

为验证 PRET 的性能，研究团队在 23 个国际基准数据集上开展了大规模跨中心评估，数据集涵盖中、美、荷多国医院的 4484 张全切片图像（约 1.24 亿个图像块），涉及 18 种癌症类型、9 个器官组织。评估结果显示，PRET 在 23 个基准任务中的 20 个上表现超越现有方法，15 个基准任务的 AUC 值超 97%，在 CAMELYON16 数据集上性能提升幅度更是达 36.76%；其中结直肠癌筛查 AUC 值达 100%，食管鳞癌肿瘤分割 AUC 值达 99.54%，展现出优异的基础诊断能力。

图2 : PRET 支持多器官、多数据集、多中心和多任务

2. 临床级淋巴结转移检测

针对临床级淋巴结转移检测这一关键任务，在 CAMELYON16 数据集上，仅使用 8 张切片样本，PRET 就实现了临床级诊断效果。在 0.9875 的相同特异性条件下，其灵敏度较病理医生常规诊断分别提升 42.86%、36.74%、26.53% 和 16.33%；五次重复实验中，AUC 值稳定在 0.9834–0.9901 之间，平均值达 0.9871，而 11 位病理医生在常规时间限制下的平均 AUC 值仅为 0.810。更值得关注的是，在数据量减少约 30 倍时， PRET 的性能超越了使用 243 张切片训练的 TransMIL、CLAM 等传统多样本方法。

3. 灵活的视觉提示系统

PRET 还设计了灵活的视觉提示系统，支持切片标签、边界框、粗略的掩码和精准的掩码四种提示类型，适配不同的标注成本。研究发现，不同病理任务适配不同提示类型，甲状腺乳头状癌、食管鳞癌等小肿瘤适合精细提示，结直肠癌、淋巴瘤等大肿瘤仅用切片标签，就能取得理想诊断效果。

4. 跨种族与欠发达地区的强泛化能力

在泛化能力上，PRET 同样表现突出。跨种族泛化实验中，基于 TCGA NSCLC 数据集的 8-shot 设置下，不同种族间的 AUC 最大差异仅 1.32%。针对资源匮乏地区的适用性验证中，研究团队选取中国的青海省开展实验，PRET 在当地甲状腺乳头状癌基准上，仅用 1 个样本就取得 98.72% 的筛查 AUC 值和 89.85% 的 Dice 分割得分，较现有基线方法提升 9.85%。

总结与展望

PRET实现了病理AI领域的范式突破，其核心优势可概括为五个方面：（1）低数据成本，无需大规模标注数据集；（2）单一泛癌模型，一个模型覆盖多种癌症和任务；（3）无需训练，新任务可直接使用；（4）强泛化性，跨种族、跨医院表现稳健；（5）高灵活性，可与多种病理基础模型无缝集成。

展望未来，研究团队指出了多个发展方向：进一步优化切片和样本质量，持续提升诊断性能；将系统应用范围拓展至突变预测、预后分析等新的病理任务；结合大语言模型的能力，挖掘 PRET 视觉上下文学习的更多潜力，开辟病理诊断 AI 的全新应用场景。

PRET为全球病理AI的普惠化和公平化发展铺平了道路，尤其有望为医疗资源匮乏地区、少数群体带来高质量的病理诊断支持，推动癌症诊断的可及性变革。

该文章的通讯作者为：李小萌（香港科技大学）、张庆玲（广东省人民医院）、张康；共同第一作者为：李艺、宁梓妤。

代码：https://github.com/xmed-lab/PRET

数据：https://huggingface.co/datasets/yili7eli/PRET

原文链接：https://www.nature.com/articles/s43018-026-01141-2

制版人：十一

学术合作组织

（*排名不分先后）