何军军/俞容山联合开发SlideChat，可交互、全切片级别的病理AI助手

yinfuhua

Nat Cancer：何军军/俞容山联合开发SlideChat，可交互、全切片级别的病理AI助手
. y$ @9 e' ]8 Y0 w8 S: Y& N- r1.        多模态人工智能  n! B+ U0 @* l4 Z9 Z" E  v) u9 d
2.        SlideChat1 p' N1 Z$ ~! H
3.        METEO
5 q/ q1 C, P' q1 n3 N来源：iNature 2026-09-08 15:55. H8 G; u) U- K  x  w
研究人员推出SlideChat，一种用于跨癌种全切片计算病理学的多模态生成式人工智能助手。SlideChat将补丁级别和切片级别的病理编码器与预训练的大语言模型相结合。
4 M* @: s, h$ y% }多模态人工智能在计算病理学中虽显示出巨大潜力，但仍局限于孤立的补丁级别解释，往往无法分析对临床效用至关重要的十亿像素级全切片图像（WSIs）。
6 }6 n" r; ?8 ]# i& ]8 c1 }, Q5 G9 ]$ \2026年9月1日，上海交通大学何军军、厦门大学俞容山共同通讯在Nature Cancer（IF=28）在线发表题为SlideChat is a multimodal generative artificial intelligence assistant for whole-slide computational pathology across cancer types的研究论文。该研究推出了SlideChat—一种专门为全切片病理分析设计的生成式多模态AI助手。
8 W5 R2 F1 p3 N+ D在涵盖31种癌症类型、5个独立队列的8836道选择题、129道开放题及3149份报告生成任务中，SlideChat在多项指标上显著优于GPT-4o、MedDr等主流基线模型，展现出辅助病理诊断、教学和科研的巨大潜力。
9 G7 Y  }$ p. B ( W+ g/ y% g9 v- p+ Z- w- P
计算病理学在现代诊断中至关重要，它能够对数字化组织病理切片进行精确的定量分析，这是癌症诊断、预后和治疗计划的基础。近年来，随着视觉基础模型和视觉-语言模型的进展，该领域迅速获得发展动力。9 J( [4 Z' B, Z) {. H/ [
这些模型从大规模数据中学习可泛化的表征，并在多种病理任务中有效执行。将大语言模型（LLMs）整合到视觉系统中进一步推动了病理学多模态大语言模型（MLLMs）的出现，使人类与人工智能（AI）在临床决策、医学教育和生物医学研究中的交互成为可能。
- W% f- _1 P$ b, O. H尽管取得了这些进展，现有的病理学MLLMs仍受限于补丁或区域级分析，聚焦于玻片的孤立区域，缺乏对更广泛组织背景的认识。这种方法不足以应对真实世界的临床病理学需求，后者要求玻片级别乃至患者级别的分析，并整合全切片图像（WSI）中跨多个区域、尺度和背景的信息，以支持完整的诊断工作流程，包括亚型分型、鉴别诊断和病理报告生成。8 w' s5 X4 G/ I3 b/ z! r1 b
- U+ z/ I7 Q" D, y% m+ S
SlideInstruction数据集和SlideChat架构概述（图源自Nature Cancer）% V* z0 O+ |5 ^  L: F
在此，研究人员推出SlideChat，一种用于跨癌种全切片计算病理学的多模态生成式人工智能助手。SlideChat将补丁级别和切片级别的病理编码器与预训练的大语言模型相结合。通过274,233个多模态指令样本的训练，SlideChat学习了WSIs与诊断报告之间的关联，并能够解释临床实践中的复杂查询。) }1 B6 q- k+ K  e( a- z: s
在来自五个队列、涵盖31种癌症类型的8,836个封闭式问题、129个开放式问题和3,149份WSI报告上的评估结果显示，SlideChat在封闭式问题准确率上优于领先基线19.1%，在报告生成的METEO（具有显式排序的翻译评估度量）得分上高出7.7%，并在开放式问答的五个维度上获得了最高的专家评分，展示了其在增强诊断工作流程、医学教育和临床决策方面的潜力。
9 F3 w: d: X- k7 B9 E5 o0 C参考消息：https://www.nature.com/articles/s43018-026-01220-4
9 @1 `  F. c( n0 u9 ?$ t/ z' [8 ]  _