撰文丨王聪
编辑丨王多鱼
排版丨水成文
组织病理学对于癌症的诊断和治疗选择至关重要，病理学基础模型可从全切片图像（Whole-slide image，WSI）中学习视觉表征。然而，现有基础模型在不同数据集上采用不同策略训练，导致性能不一致,且泛化能力有限。
2026 年 9 月 10 日，斯坦福大学李瑞江团队在Cancer Cell期刊发表了题为：Ensemble learning of pathology foundation models for precision oncology 的研究论文。
该研究开发了一个集成多个病理基础模型的统一框架——ELF（Ensemble Learning of Foundation models），用于精准肿瘤学。
在这项最新研究中，研究团队开发了一个集成多个病理基础模型的统一框架——ELF（Ensemble Learning of Foundation models），它将五个预训练的病理学基础模型整合为统一的切片级正。ELF 在涵盖 20 个解剖部位的 53699 张全切片图像上训练，利用集成学习捕获模型间的互补信息。ELF 的切片级架构专为数据高效的后续评估而设计，包括治疗反应预测等数据有限的场景。研究团队评估了 ELF 在疾病分类、生物标志物检测以及多种癌症类型的抗癌和免疫治疗响应预测中的表现。在测试任务中，ELF 取得了比所评估的组成模型和切片级基础模型更高的性能，支持进一步评估集成学习在肿瘤病理学应用中的价值。
该研究的亮点：
ELF 将五个病理学基础模型整合为统一的切片级表征；
ELF 在诊断、生物标志物检测和结果预测方面优于单个模型；
多机构队列验证了 ELF 在多种癌症免疫治疗反应中的有效性。
论文链接：
https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00385-5
热门跟贴