近日，澳門科技大學人工智能交叉應用研究院院長張康講座教授團隊聯合香港科技大學李小萌教授團隊、廣東省人民醫院張慶玲教授團隊等多家單位合作，在Nature Cancer發表研究成果，提出無需額外參數訓練的泛癌識別框架PRET（Pan-cancer Recognition without Example Training），為人工智能病理診斷規模化應用提供新路徑。
病理診斷是腫瘤診斷的「金標準」，但病理醫生短缺、高品質標注數據獲取成本高昂，長期制約AI在病理領域的應用。傳統模型需針對具體任務構建，並依賴大量標注數據進行訓練或微調，難以適應多病種、跨機構、資源不均衡的真實臨床需求。
針對上述挑戰，研究團隊提出PRET方法。該方法基於「上下文學習」機制，在推理階段僅需少量標注示例即可適配新任務，無需重新訓練或微調，顯著降低了對大規模數據和計算資源的依賴。
聯合研究團隊在多國家、多中心數據上對PRET進行了系統驗證。結果顯示，PRET在23項任務中的20項優於現有免訓練方法，在15項任務中達到或超過97%的AUC。在淋巴結轉移檢測任務中，僅用8張切片示例即可達到98.71%的AUC，顯著優於11名病理醫生的平均水準（約81.0%）。此外，在青海地區甲狀腺乳頭狀癌數據上，該方法同樣取得98.72%的AUC，展現出良好的跨人群泛化能力。同時，PRET可靈活應用於腫瘤篩查、分型、分割等任務，並支持切片標籤、邊界框、粗略掩膜及精細腫瘤掩膜等多種標注形式，在降低標注成本的同時保持高性能。
聯合研究團隊指出，PRET通過避免參數訓練，有效降低了模型開發與部署成本，有望推動病理AI從單病種、定制化模型，邁向通用、可擴展的智能診斷系統，尤其有助於提升醫療資源不足地區的病理診斷可及性。未來，結合更大規模病理基礎模型與多模態技術，PRET有望拓展至突變預測、預後評估等更多臨床任務。
同期的Nature Cancer就該工作刊發了相關領域專家的專題評述。評述指出，當前病理AI臨床落地的瓶頸在於標注、訓練和微調的成本，而PRET通過在推理階段進行適配，為資源有限的醫療機構部署AI系統提供了現實基礎。述評認為，PRET在多種腫瘤類型上的穩定泛化能力，以及對不同標注形式的相容性，為病理AI普及提供了現實基礎，標誌著一種更通用診斷範式的出現。
張康講座教授表示，澳科大人工智能交叉應用研究院正致力於整合人工智能、生物醫學、大數據分析等優勢資源，搭建跨學科創新平台。此次PRET成果的發表，也體現了研究院在人工智能與生物醫學交叉方向上的科研佈局正在形成，並持續產出具有代表性的研究成果。
