细胞病理学是癌症筛查和诊断的核心，但仍属劳动密集型工作，这推动了对可扩展计算解决方案的开发。
2026年9月18日，中山大学蔡木炎、谢丹、Fu Sha、中山市人民医院Chu Bing共同通讯在Nature Cancer（IF=28）在线发表题为“A universal visual foundation model for computational cytopathology”的研究论文。该研究开发了一种细胞学通用视觉基础模型CROWN，基于DINOv2自监督在超1000万图像块上预训练，无需人工标注；在202个任务中整体性能最佳，48个图像块分类准确率超95%，并泛化至血涂片等分布外数据，为计算细胞病理学提供可扩展视觉骨干。
在病理学的所有分支中，细胞学占据核心地位。细胞学标本通常通过微创操作获取，产生缺乏明确组织结构的分散单细胞或小簇图像。细胞学广泛用于癌症筛查和作为诊断工具，代表全球最大的病例量之一，在常规临床实践中经常超过组织病理学。每年进行超过1亿次宫颈细胞学检查，在数百万女性中检测早期宫颈癌。
类似地，甲状腺细针穿刺细胞学已成为甲状腺结节初步评估的标准，与手术组织病理学相比具有高诊断一致性。总之，这些数字凸显了细胞学在前线癌症检测中的关键作用，并强调了对可扩展且准确的计算方法以支持高通量筛查的迫切需求。
CROWN概述（图源自Nature Cancer）
在此，研究人员提出CROWN（细胞学视觉基础网络-自监督学习优化），一种用于计算细胞病理学的通用视觉基础模型。CROWN在超过1000万个细胞学图像块上使用基于DINOv2的自监督框架进行预训练，预训练期间无需人工标注。在涵盖分类、分割、检测、检索和切片级预测的202种任务设置组合中，跨越私人机构队列和公共数据集对CROWN进行了评估。
CROWN在多种基准设置中取得了已建立预训练编码器中的最佳总体性能，在48项图像块级分类评估中准确率超过95%，其中22项超过98%。这些发现支持CROWN作为跨异质数据集和任务设置的通用计算细胞病理学可扩展视觉骨干网络。
小贴士
本文内容转载至iNature，仅为学术分享，如涉侵权请联系删除。
