// AI 新闻 · 2026-11-14 · Nature
基于自监督学习的宫颈病理专精诊断系统发布
研究人员开发了名为CerS-Path的宫颈病理专精诊断系统，该系统基于自监督学习框架，在约1.9亿个组织切片上进行预训练，并结合250万图像-文本对实现多模态增强，最终集成八项诊断功能覆盖从活检到手术标本的完整诊断流程。系统在26项中的30项诊断任务中优于现有基础模型，在六个独立队列的回顾性与前瞻性验证中，对临床相关病变的敏感度最高达99%，特异性在不同部位保持可接受水平，表明其在高通量筛查场景下具备实际应用潜力。
原文发布 2026-11-14 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
该系统通过专精数据集构建，强化了对宫颈病理特征的捕捉能力，在任务适应性和诊断精度方面显著优于通用基础模型，为宫颈癌筛查中的病理诊断提供了更精准、可落地的技术路径。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- CerS-Path基于自监督学习，使用约1.9亿组织切片进行预训练，构建宫颈特异性特征提取器。
- 系统结合250万图像-文本对实现多模态增强，并集成八项诊断功能覆盖完整病理流程。
- 在26项诊断任务中优于现有基础模型，在六中心多队列验证中敏感度达99%，特异性可接受。
- 系统适用于高通量筛查场景，具备临床部署潜力，已在多个医疗机构完成数据收集与验证。
03原文出处
A subspecialty diagnostic system powered by self-supervised learning for cervical histopathology
Nature · 发布于 2026-11-14 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-14 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日