编辑丨&
在当前的数字病理学研究中，虽然 AI 在辅助癌症诊断上展现了巨大潜力，但仍面临一个严峻的现实：传统的 AI 模型极其依赖海量的标注数据。对于每一种新的疾病或每一个不同的医院，模型往往需要进行繁杂的重新训练。这种“一病一训”的模式不仅耗时耗力，更限制了技术在基层医疗机构的普及。
针对这一痛点，香港科技大学及其合作团队开发了 PRET（Pan-cancer Recognition without Examples Training）系统。这不仅是一个技术的更迭，更是病理 AI 范式的根本性转变——它实现了无需针对特定示例进行训练的泛癌识别。
相关研究以“PRET is a few-shot system for pan-cancer recognition without example training”为题，于 2026 年 4 月 3 日发布在《Nature Cancer》。
论文链接：https://www.nature.com/articles/s43018-026-01141-2
从标注依赖到上下文学习
传统深度学习模型在处理病理全切片图像（WSI）时，就像一个需要老师手把手教的孩子，每认识一种肿瘤都需要成千上万个标注好的样本。而 PRET 系统则采用了一种截然不同的“自学”模式，即上下文学习（ICL）。
它使模型能够即时适应新癌症类型，并在推断阶段仅引用一到八张注释的肿瘤切片，执行癌症筛查、肿瘤亚型和肿瘤切割等诊断任务。作为一个“即插即用”智能诊断工具，PRET 从根本上克服了传统人工智能模型中针对任务的细致调优需求。
图示：PRET 概览。
该系统借鉴了大型语言模型（LLM）中成熟的上下文学习理念，将其巧妙地转化为视觉领域的“视觉提示”（Visual Prompts）。在推理阶段，医生只需提供极少数已知病变的示例作为上下文，PRET 就能在不更新任何模型参数的情况下，自动识别并分类新的病变区域。
在技术架构上，PRET 针对病理图像全切片（WSI）的特殊性，摒弃了传统方法中容易丢失局部细节的“平均特征”或简单的“原型匹配”。研究团队引入了专门设计的上下文标记器（In-context Tagger）和上下文分类器（In-context Classifier）。
上下文标记器负责在特征空间中精确捕捉每个小方块（Patch）的细微纹理与空间信息，而上下文分类器则通过对比待测样本与上下文示例之间的局部相似性，实现精准判别。这种方法让模型不仅具备了病理学大模型的全局视野，更保留了对微小癌变浸润灶的敏感度，解决了传统病理 AI 模型在处理复杂异质性组织时特征被稀释的难题。
多中心基准的性能跨越
研究团队利用来自中国大陆、美国和荷兰医疗机构的 23 个国际基准数据集，涵盖 18 种癌症类型及多种诊断任务，对 PRET 系统进行了全面验证。结果显示，系统在 20 项任务中优于现有方法，其中 15 项任务中其曲线下面积（AUC）——一种诊断准确度的衡量标准——超过了 97%。
图示：癌症筛查与分型的性能表现。
相比传统基准方法，其性能提升幅度最高达到了 36.76% 。这种跨越式提升源于 PRET 能够灵活地利用基础模型（Foundation Models）中预存的通用病理知识，并结合当前的上下文示例进行动态调整。
这意味着，即使在不同医院之间存在图像色彩偏差或切片厚度差异，PRET 依然能通过上下文示例的校准，准确锁定癌变区域，克服了 AI 模型常见的“水土不服”现象。
此外，PRET 的高效性还体现在其对少样本甚至单样本任务的处理能力上。在某些极其罕见的亚型癌症诊断中，医生往往难以收集到足够的训练样本，而 PRET 仅需一到两个参考示例即可开始工作的特性，填补了罕见病 AI 诊断的空白。
图示：在少数群体、服务不足地区和外部医院的泛化性能。
研究团队还发现，PRET 不仅能处理视觉信息，其框架设计也具备与病理报告等文本信息进行多模态整合的潜力，为未来构建全自动、高智能的病理会诊系统奠定了坚实基础。
无需训练的应用架构
PRET 系统过无需训练的架构设计解决了数据标注与模型更新的瓶颈，利用上下文标记器捕捉了深层的局部病理特征，并在 23 项国际基准中刷新了性能上限。
这种从死记硬背到逻辑理解的进化，不仅提升了 AI 诊断的精确度，更极大地降低了前沿技术在临床落地的门槛。随着这种模式的普及，可以预见的是，未来的癌症早期筛查将变得更加精准、高效且触手可及。
相关链接：https://medicalxpress.com/news/2026-04-play-ai-cancer.html
