手术中的快速病理诊断对决策至关重要，但现有AI模型因训练数据差异，在质量较差的冰冻切片上表现不佳。CRISP模型的出现，通过构建超大规模术中冰冻切片数据集和创新算法，为解决这一临床痛点提供了首个临床级的通用AI基础模型，有望显著提升术中诊断的准确性与效率。
智能速览
现有病理AI模型不适用于术中冰冻切片
CRISP是首个专为术中冰冻切片设计的通用基础模型
模型使用了来自8个医疗中心的超10万张切片进行训练
采用Virchow2作为特征提取器，并引入LoRA高效微调
在20项下游任务中性能超越5个现有SOTA模型
精华内容
如何让AI精准识别术中冰冻切片？CRISP模型通过独特的架构设计和海量数据训练，成功弥合了永久切片模型与冰冻切片临床应用之间的鸿沟，其技术路径值得深入探究。
术中诊断的困境
传统病理AI模型主要基于福尔马林固定石蜡包埋（FFPE）的永久切片进行训练，这类切片图像质量高、伪影少。然而，手术中为了快速获得病理结果，通常使用冰冻切片。冰冻切片在制备过程中易产生冰晶伪影，图像质量远不如永久切片，导致现有AI模型直接应用时效果大打折扣，无法满足临床精准决策的需求。
超大规模数据筑基
为解决数据稀缺问题，CRISP模型构建了迄今最大的术中冰冻切片数据集。研究团队收集了来自8个不同医疗中心的超过10万张冰冻切片，涵盖25种组织部位。其中，第一阶段自监督预训练使用了超过8万张切片，切割出逾5千万个图像块；第二阶段的多中心验证又纳入了2万余张切片，为模型的泛化能力奠定了坚实基础。
创新算法架构
CRISP模型在技术上采用了先进的DINO框架，并选用Virchow2作为基础特征提取器。为高效适配冰冻切片，研究团队引入LoRA策略对Virchow2进行微调。训练时，模型将每个图像块裁剪为全局视角和局部视角，分别输入教师网络和学生网络，通过让学生网络学习教师网络的输出分布，实现了高效的自监督学习。
全面性能验证
性能是检验模型的唯一标准。CRISP在20项不同的下游病理任务上进行了全面评估，并与UNI、CONCH、CHIEF等5个顶尖病理AI基础模型进行对比。结果显示，CRISP在区分良性/恶性切片、辅助术中决策、泛癌检测等多个关键任务上均表现出优越性能，证明了其作为临床级基础模型的强大实力。
CRISP模型的提出，不仅是病理AI领域的一项重要技术突破，更是对临床手术实践的一次深刻赋能。它为医生提供了更可靠的术中决策支持，未来有望在更多医疗中心落地应用。这项技术将如何改变病理科的工作流程？
