Nature子刊：清华大学闾海荣等开发精准病理诊断AI基础模型，可实现对胶质瘤多种分类任务的准确诊断

主要观点总结

本文介绍了一种基于大区域兴趣和金字塔Transformer的精准病理诊断AI基础模型ROAM，用于解决病理图像处理难度大、数据量大、准确识别分析难等问题。该模型由清华大学等多位专家合作提出，可用于胶质瘤的临床级诊断和分子标志物发现，并展示了其良好的性能表现。本文详细描述了ROAM模型架构、实现方法、性能评估及在临床应用中的价值。

关键观点总结

关键观点1: 病理诊断面临的挑战

病理图像分辨率高、数据量大，处理困难；细胞和组织形态复杂多变，准确识别分析难；图像质量受多种因素影响，易有噪声、模糊等问题；病理诊断需综合多因素，要求算法能整合分析信息。

关键观点2: ROAM模型的主要特点

基于大区域兴趣和金字塔Transformer的精准病理诊断AI基础模型；有效提取病理图像的多尺度信息；实现胶质瘤的肿瘤检测、亚型分类、分级和分子特征预测等多种分类任务的准确诊断；具有出色的泛化能力，可推广到独立的外部数据。

关键观点3: ROAM模型的性能表现

在内部数据集和TCGA外部数据集上评估表现优异，优于其他基线方法；临床胶质瘤诊断表现与高年资病理医生相当，辅助中低年资病理医生的诊断；促进胶质瘤分子形态标记物的发现，有助于预测关键分子特征的形态学表现。