在人工智能实验室竞相构建越来越大模型、使用越来越大数据集训练的时代，计算病理学领域有史以来最全面的正面比较评估之一得出了一个发人深省的结果。事实证明，大小并非命运的决定因素。
由斯坦福大学和阿贡国家实验室领导的一个团队，系统地对32种AI基础模型进行了病理学任务基准测试，涵盖肿瘤诊断、生物标志物预测、组织分类和域外泛化。今天发表在《自然通讯》（Nature Communications，DOI: 10.1038/s41467-026-76004-6）上的这项研究给出了一个反直觉的结论：模型大小和预训练数据集规模并不能一致地预测模型在真实病理学挑战中的表现。
对于一个几乎将”越大越好”奉为信条的行业来说，这是一个具有真实临床意义的纠正。
基准测试的架构
基础模型是在大规模无标签数据集上预训练的大型神经网络，可以适应广泛的下游任务。在计算病理学中，这些模型分析显微组织图像以检测癌症、对肿瘤进行分级、预测基因突变并指导治疗决策。该领域已经热情地采纳了这些模型，但在此之前，还没有人进行过真正系统性的跨模型家族比较。
斯坦福团队创建了PathBench评估框架，并在四个类别中测试了32种模型：通用视觉模型（VM）、通用视觉语言模型（VLM）、病理专用视觉模型（Path-VM）和病理专用视觉语言模型（Path-VLM）。这些模型在源自癌症基因组图谱（TCGA）、临床蛋白质组学肿瘤分析联盟（CPTAC）以及几个外部和域外数据集的幻灯片级和补丁级任务上进行了评估。
结果是迄今为止最完整的病理学基础模型性能图谱，而它所揭示的内容削弱了关于什么真正驱动模型质量的普遍认知。
规模扩大的神话
最引人注目的发现之一是模型参数数量与其下游性能之间的弱相关性。基准测试中最大的模型并不总是最好的。同样，以微调前模型接触的图像数量衡量的预训练数据规模，与病理学特定任务的准确性没有可靠的相关性。
这与过去五年主导AI的趋势直接相悖。从Transformer革命开始，一直持续到大语言模型和多模态系统时代，传统观点认为增加更多参数和更多训练数据可以可靠地产生更好的结果。支配语言建模和通用计算机视觉的规模扩大法则一直被当作近乎普遍的真理。
新的基准测试表明，计算病理学可能有所不同。当模型被要求对人类组织的微观结构进行推理时，它的训练方式和目的的具体细节远比原始能力更重要。
Path-VM领先群伦
在整个评估任务集合中，病理专用视觉模型始终位列最强表现者之列。在组织切片扫描等组织学图像上预训练的模型，在大多数下游任务上始终优于通用视觉模型和病理专用视觉语言模型。
这是一个重要的发现，因为它验证了该领域在领域专用预训练方面的重大投入。基准测试表明，与其简单地借用ImageNet或通用视觉语言语料库上训练的模型并希望它能很好地迁移到组织分析，在病理学数据上的专用预训练提供了可衡量的优势。
然而，情况比简单的层级结构更为微妙。顶级表现模型之间的差异通常很小且高度依赖任务。在乳腺癌亚型分类中表现出色的模型可能在肺癌突变预测上落后。另一个专攻胃肠道病理学的模型可能在泌尿生殖系统任务上表现不佳。在许多情况下，顶级模型之间仅相差零点几个百分点，模型的排名随评估的组织类型或诊断任务而变化。
这种异质性对临床部署具有重要意义。它表明计算病理学不存在单一的”最佳模型”。相反，最佳性能可能需要将模型优势与特定的临床问题相匹配，这一发现使跨医院系统标准化AI工具的努力变得复杂。
病理视觉语言模型的奇特案例
视觉语言模型学习图像和文本的联合表示，是近年来最受赞誉的AI进步之一。像CLIP及其变体这样的模型在通用成像任务上展示了卓越的零样本能力，并且已经开发了病理专用版本来将组织图像与诊断文本对齐。
但PathBench评估揭示了一个令人惊讶的性能差距。病理专用视觉语言模型在大多数幻灯片级和补丁级任务上始终低于病理专用视觉模型。增加语言处理能力似乎会引入噪声或错位，从而降低纯视觉诊断任务的性能。
这并不意味着视觉语言模型缺乏价值。它们在可解释性、少样本学习和明确需要将图像与文本描述匹配的任务方面具有优势。但对于计算病理学的核心诊断工作流程，组织分类、异常检测和分子表型预测，纯视觉模型被证明更为可靠。
集成作为一种实用的前进路径
如果没有单一模型能够持续占据主导地位，这项研究提出了一个实用的变通方法：将它们结合起来。研究人员发现，晚期决策级集成，平均多个不同模型的预测，提高了跨数据集和组织类型的总体性能。集成始终优于任何单个模型，并且改进在最困难的任务上最为明显。
这对临床部署来说是个好消息。集成是一种成熟的技术，不需要重新训练模型或重新设计工作流程。它可以作为现有模型输出之上的轻量级层来实现。对于考虑在病理学中部署AI的医院来说，信息很明确：使用多个模型，让它们投票。
基准测试未衡量的内容
PathBench评估是全面的，但有重要的局限性。作者承认，计算效率、推理延迟、内存占用和临床部署后勤因素没有被明确基准化。一个性能良好但需要GPU集群才能运行单张切片的模型，可能不如一个在标准医院硬件上运行的略低精度模型实用。
同样，基准测试没有完全解决分布偏移问题，即当模型遇到来自不同医院、扫描仪或患者群体的数据时性能下降的现象。外部数据集的纳入提供了一些信号，但真实世界部署仍然是最终的考验。
该团队已在pathbench.stanford.edu上公开提供PathBench平台，邀请研究社区提交新模型进行评估。这种开放方法对于一个快速发展的领域至关重要。新的病理学基础模型以前所未有的速度发布，任何静态基准测试都可能迅速过时。
对领域的影响
这项研究的核心信息既令人谦卑又令人解放。说它令人谦卑，是因为它戳破了向问题投入更多算力和更多数据是通往进步的可靠途径这一叙事。说它令人解放，是因为它表明更小、更精心设计的模型在任务适当的数据上训练，可以与巨头竞争，有时甚至超越它们。
对于无法访问大规模GPU集群的学术实验室和小公司来说，这是一个令人鼓舞的结果。更好的病理学AI之路可能不需要匹配最大科技公司的规模。相反，深思熟虑的架构设计、领域专用预训练和实用的集成策略可能提供一条更易实现的临床级性能之路。
这项研究也为该领域的发展轨迹提出了重要问题。如果规模扩大法则在病理学中比其他领域更弱，那么模型质量的实际驱动因素是什么？数据表明，预训练策略、架构选择以及与下游任务的对齐比蛮力规模扩大更重要。在更深层次上理解这些因素应该是未来研究的优先事项。
随着计算病理学走向临床采用，这个基准测试的教训很明确：对于帮助诊断疾病的AI模型来说，更大并不总是更好。重要的是模型学习”看”的能力有多好。
Reference: PathBench: A systematic benchmark of 32 AI foundation models for computational pathology. Nature Communications (2026). DOI: 10.1038/s41467-026-76004-6
婷 翻译