人工智能驱动的数字病理学:深度学习和多模式集成用于精密瘤学
Hyun-Jong Jang1, Sung Hak Lee2
1Department of Physiology, CMC Institute for Basic Medical Science, College of Medicine, The Catholic University of Korea, Seoul 06591, Republic of Korea.
International journal of molecular sciences
|January 10, 2026
概括
数字病理学的基础模型通过整合各种数据来提高诊断和治疗的精度来提高精确瘤学. 这些先进的AI模型提高了各种病理学任务的准确性和概括性.
科学领域:
- 数字病理学和瘤学中的人工智能.
- 医疗应用机器学习的进步.
背景情况:
- 病理学对精确瘤学至关重要,为个性化医学提供了洞察力.
- 深度学习在数字病理学中显示出诊断,预后和生物标志物预测的前景.
研究的目的:
- 审查基础模型对基于病理学的精确瘤学的影响.
- 检查这些模型如何整合多式联运数据以改善医疗解释.
主要方法:
- 在数字病理学的基于变压器的基础模型的审查.
- 分析多式联络数据集成 (组织病理学,放射学,临床文本,分子数据).
主要成果:
- 基础模型提供可扩展的表示学习和改进的跨队列稳定性.
- 这些模型允许对各种病理学应用进行少数和零射击推断.
- 多模式基础模型有助于对异构的医疗数据进行一致的解释.
结论:
- 基金会模型正在显著推进基于病理学的精确瘤学.
- 它们使得诊断,预后和治疗决策更准确.
- 通过这些模型整合多式联网数据,可以实现更具普遍性的医疗人工智能.


