澳门科技大学人工智能交叉应用研究院联合提出泛癌识别新框架PRET，实现少样本条件下高精度病理诊断，相关成果发表于《Nature Cancer》

澳门科技大学人工智能交叉应用研究院联合提出泛癌识别新框架PRET，实现少样本条件下高精度病理诊断，相关成果发表于《Nature Cancer》

近日，澳门科技大学人工智能交叉应用研究院院长张康讲座教授团队联合香港科技大学李小萌教授团队、广东省人民医院张庆玲教授团队等多家单位合作，在《Nature Cancer》发表研究成果，提出无需额外参数训练的泛癌识别框架PRET（Pan-cancer Recognition without Example Training），为人工智能病理诊断规模化应用提供新路径。

病理诊断是肿瘤诊断的“金标准”，但病理医生短缺、高质量标注数据获取成本高昂，长期制约AI在病理领域的应用。传统模型需针对具体任务构建，并依赖大量标注数据进行训练或微调，难以适应多病种、跨机构、资源不均衡的真实临床需求。

针对上述挑战，联合研究团队提出PRET方法。该方法基于“上下文学习”机制，在推理阶段仅需少量标注示例即可适配新任务，无需重新训练或微调，显著降低了对大规模数据和计算资源的依赖。

联合研究团队在多国家、多中心数据上对PRET进行了系统验证。结果显示，PRET在23项任务中的20项优于现有免训练方法，在15项任务中达到或超过97%的AUC。在淋巴结转移检测任务中，仅用8张切片示例即可达到98.71%的AUC，显著优于11名病理医生的平均水平（约81.0%）。此外，在青海地区甲状腺乳头状癌数据上，该方法同样取得98.72%的AUC，展现出良好的跨人群泛化能力。同时，PRET可灵活应用于肿瘤筛查、分型、分割等任务，并支持切片标签、边界框、粗略掩膜及精细肿瘤掩膜等多种标注形式，在降低标注成本的同时保持高性能。

联合研究团队指出，PRET通过避免参数训练，有效降低了模型开发与部署成本，有望推动病理AI从单病种、定制化模型，迈向通用、可扩展的智能诊断系统，尤其有助于提升医疗资源不足地区的病理诊断可及性。未来，结合更大规模病理基础模型与多模态技术，PRET有望拓展至突变预测、预后评估等更多临床任务。

同期的《Nature Cancer》就该工作刊发了相关领域专家的专题评述。评述指出，当前病理AI临床落地的瓶颈在于标注、训练和微调的成本，而PRET通过在推理阶段进行适配，为资源有限的医疗机构部署AI系统提供了现实基础。述评认为，PRET在多种肿瘤类型上的稳定泛化能力，以及对不同标注形式的兼容性，为病理AI普及提供了现实基础，标志着一种更通用诊断范式的出现。

张康讲座教授表示，澳门科技大学人工智能交叉应用研究院正致力于整合人工智能、生物医学、大数据分析等优势资源，搭建跨学科创新平台。此次PRET成果的发表，也体现了研究院在人工智能与生物医学交叉方向上的科研布局正在形成，并持续产出具有代表性的研究成果。

文章链接﹕https://doi.org/10.1038/s43018-026-01141-2