技术解读细胞病理视觉基础模型 CROWN 用 DINOv2 自监督框架在千万级无标注细胞图像上预训练一个骨干跑通分类、分割、检测、检索、全片预测等 202 个任务组合摆脱了传统「一病一标注」的束缚。核心要点问题细胞病理学是宫颈癌、甲状腺癌等筛查与确诊流程里最基础、也最耗人力的一环阅片高度依赖医生经验数据分散、标注口径不一病理AI长期停在一任务一模型缺一个可跨任务复用的通用底座。方法中山大学肿瘤防治中心 Muyan Cai 团队构建通用细胞病理视觉基础模型 CROWN用 DINOv2 自监督框架在超过 1000 万张细胞病理图像块上预训练全程无需人工标注。结果在 202 个任务组合分类、分割、检测、检索、全片级预测上取得现有预训练编码器中的最佳总体表现48 项贴片级分类评估准确率超 95%其中 22 项超 98%。意义为宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等多类细胞病理任务提供可复用的通用视觉骨干显著降低标注依赖与重复训练成本。原文A universal visual foundation model for computational cytopathologyNature Cancer2026-09-181. 细胞病理的临床挑战病理AI诊断最基础也最耗人力的环节细胞病理学cytopathology通过显微镜观察脱落细胞或细针穿刺fine-needle aspirationFNA取得的细胞形态来筛查和诊断疾病。宫颈癌筛查的巴氏涂片Pap smear、甲状腺结节的细针穿刺、胸腹水脱落细胞检查、外周血细胞分析都属于这一范畴。这个环节的痛点很集中。第一阅片高度依赖病理医生的人工经验一位医生每天要过目成百上千张细胞图像肉眼寻找散在的异常细胞工作量大、易疲劳也容易漏检。第二细胞病理数据分散在不同机构、不同疾病、不同制片方式里标注口径五花八门很多公开数据集体量小、标签不统一难以直接拼起来训练模型。第三现有病理AI多为一任务一模型换个病种、换个制片方式就得重新标注、重新训练。这让病理AI诊断长期停留在单点工具层面缺一个能跨任务复用的通用底座。2. CROWN的核心创新不标注让细胞图自己说话研究由中山大学肿瘤防治中心 Muyan Cai 团队领衔2026 年 9 月 18 日在线发表于Nature Cancer。模型名为 CROWNCytology visual foundation netwoRk Optimized With self-supervised learNing创新集中在三点。第一自监督预训练彻底摆脱人工标注。团队用 DINOv2 自监督框架在超过 1000 万张细胞病理图像块上预训练全程不需要任何人工标注。这与术中病理基础模型 CRISP的思路一脉相承——用海量无标注数据先学会细胞长什么样再迁移到具体任务。第二统一多种细胞病理模态。CROWN 把宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等不同来源、不同制片方式的细胞图像统一进一个预训练体系形成一个通用的视觉骨干backbone避免每种制片方式各训一套。第三一个骨干跑通多类任务。评估覆盖 202 个任务组合从贴片级分类、分割、检测到图像检索、全片级slide-level预测CROWN 无需针对每个任务从头训练只需在通用骨干上做轻量微调即可适配。3. 技术原理DINOv2自监督把千万细胞图压成通用骨干CROWN 的核心机制可概括为自监督对比学习 通用骨干迁移。预训练阶段模型对每一张细胞图像块生成两个经过不同增强的视图让同一图像的两个视图在特征空间里靠得近、不同图像的视图离得远从而在没有标签的情况下学会细胞形态的通用特征。这一范式与ECG-CLIP 用对比学习对齐心电与报告在方法论上相通只是 CROWN 纯视觉、不引入文本。下游使用时只需在 CROWN 骨干之上接一个轻量的任务头就能完成分类、分割、检测等不同任务省去从零训练的成本。需要强调这是研究原型模型论文评估的是其在多任务基准上的表现而非一个已完成注册、可投入临床的获批产品。4. 数据说话202个任务组合总体最佳22项分类超98%论文核心结果可归纳为几组对比。研究维度比较对象核心结果任务覆盖分类/分割/检测/检索/全片预测202 个任务组合贴片级分类48 项CROWN vs 现有预训练编码器准确率超 95%贴片级分类22 项同上准确率超 98%总体表现vs 既有骨干多数基准上最佳这些评估横跨私人机构队列与公开数据集宫颈细胞学 Cervix 1–5、甲状腺、胸腹水、血液等多个数据集CROWN 在多数基准上取得现有预训练编码器中的最佳总体表现48 项贴片级分类评估准确率超 95%其中 22 项超 98%。需要强调的是这是回顾性基准研究未经过前瞻性临床验证也未测量对真实诊疗流程或患者结局的影响。5. 从实验室到临床应用前景与局限可能的应用场景包括作为宫颈癌筛查、甲状腺细针穿刺等细胞病理任务的通用骨干降低单一病种模型的标注与训练成本在基层与资源紧张地区辅助病理医生快速筛查可疑细胞为图像检索、全片级风险分层等下游任务提供可复用的特征底座。局限至少三条。其一这是基准研究未做前瞻性临床验证从基准分数高到临床能用还有距离。其二预训练数据不公开涉及患者隐私与机构伦理外部研究者难以直接复现或在其上继续预训练跨机构、跨制片方式的泛化仍需更充分的独立外部验证。其三细胞病理任务的异质性极高同一模型在罕见病种、不同染色与扫描设备上的表现仍需逐一确认。6. 结论与产业启示CROWN 给出一个清晰信号细胞病理AI可以告别一病一标注”用一个自监督训练出来的通用视觉骨干覆盖分类、分割、检测等 202 个任务组合其中 48 项贴片级分类准确率超 95%、22 项超 98%。对医疗AI产业有三点可执行建议一是把自监督预训练作为降低病理AI标注门槛的优先路线二是构建通用骨干 轻量任务头的研发范式减少重复训练、加快多病种扩展三是正视基准研究与临床落地之间的鸿沟落地前补齐前瞻验证、独立外部测试与数据治理。归根结底可靠的医疗AI解决方案仍须以严格的临床验证为前提而非只看基准分数的高低。相关问题QCROWN 现在能直接用于临床细胞病理诊断吗A不能。它是一项回顾性基准研究未经过前瞻性临床验证也非获批产品。论文证明的是其在多任务基准上的通用性与准确率落地临床仍需补齐前瞻验证与注册审批。Q它测试的是通用模型还是一个完整可用的临床产品A是研究原型模型。论文评估的是通用视觉骨干在分类、分割、检测等基准上的表现尚未经历产品化、注册与临床部署。Q这种自监督预训练路线对中国医疗环境有意义吗A有参考价值。中国细胞病理同样面临标注贵、病种多的问题用海量无标注细胞图自监督训练、再迁移到具体任务方向契合但其结论基于回顾性基准迁移到国内仍需本地病种覆盖与前瞻验证。参考文献Zheng X, Zheng K, Wang J, et al.A universal visual foundation model for computational cytopathology.Nature Cancer. 2026. DOI: 10.1038/s43018-026-01240-0Lu MY, Chen B, Williamson DFK, et al.A visual-language foundation model for computational pathology.Nature Medicine. 2024;30:863–874. DOI: 10.1038/s41591-024-02856-4Vorontsov E, Bozkurt A, Casson A, et al.A foundation model for clinical-grade computational pathology and rare cancers detection.Nature Medicine. 2024;30:2924–2935. DOI: 10.1038/s41591-024-03141-0本文基于 A universal visual foundation model for computational cytopathology 的独立解读仅供学术交流不构成临床建议。 工程实现要点预训练范式DINOv2 自监督对比学习双视图增强全程无需人工标注数据规模超 1000 万张细胞病理图像块覆盖宫颈、甲状腺、胸腹水、血液多源数据任务覆盖202 个任务组合含分类、分割、检测、检索、全片级预测下游适配通用骨干 轻量任务头无需每个任务从头训练代码权重GitHub LexieK7/CROWN 与 HuggingFace 均已开源可获取论文原文信息链接细胞病理AI怎么告别一病一标注CROWN通用视觉基础模型千万级细胞图自监督训练覆盖202个任务组合 医疗AI系统架构：CROWN细胞病理视觉基础模型用DINOv2自监督，千万级无标注细胞图预训练覆盖202个任务组合
技术解读细胞病理视觉基础模型 CROWN 用 DINOv2 自监督框架在千万级无标注细胞图像上预训练一个骨干跑通分类、分割、检测、检索、全片预测等 202 个任务组合摆脱了传统「一病一标注」的束缚。核心要点问题细胞病理学是宫颈癌、甲状腺癌等筛查与确诊流程里最基础、也最耗人力的一环阅片高度依赖医生经验数据分散、标注口径不一病理AI长期停在一任务一模型缺一个可跨任务复用的通用底座。方法中山大学肿瘤防治中心 Muyan Cai 团队构建通用细胞病理视觉基础模型 CROWN用 DINOv2 自监督框架在超过 1000 万张细胞病理图像块上预训练全程无需人工标注。结果在 202 个任务组合分类、分割、检测、检索、全片级预测上取得现有预训练编码器中的最佳总体表现48 项贴片级分类评估准确率超 95%其中 22 项超 98%。意义为宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等多类细胞病理任务提供可复用的通用视觉骨干显著降低标注依赖与重复训练成本。原文A universal visual foundation model for computational cytopathologyNature Cancer2026-09-181. 细胞病理的临床挑战病理AI诊断最基础也最耗人力的环节细胞病理学cytopathology通过显微镜观察脱落细胞或细针穿刺fine-needle aspirationFNA取得的细胞形态来筛查和诊断疾病。宫颈癌筛查的巴氏涂片Pap smear、甲状腺结节的细针穿刺、胸腹水脱落细胞检查、外周血细胞分析都属于这一范畴。这个环节的痛点很集中。第一阅片高度依赖病理医生的人工经验一位医生每天要过目成百上千张细胞图像肉眼寻找散在的异常细胞工作量大、易疲劳也容易漏检。第二细胞病理数据分散在不同机构、不同疾病、不同制片方式里标注口径五花八门很多公开数据集体量小、标签不统一难以直接拼起来训练模型。第三现有病理AI多为一任务一模型换个病种、换个制片方式就得重新标注、重新训练。这让病理AI诊断长期停留在单点工具层面缺一个能跨任务复用的通用底座。2. CROWN的核心创新不标注让细胞图自己说话研究由中山大学肿瘤防治中心 Muyan Cai 团队领衔2026 年 9 月 18 日在线发表于Nature Cancer。模型名为 CROWNCytology visual foundation netwoRk Optimized With self-supervised learNing创新集中在三点。第一自监督预训练彻底摆脱人工标注。团队用 DINOv2 自监督框架在超过 1000 万张细胞病理图像块上预训练全程不需要任何人工标注。这与术中病理基础模型 CRISP的思路一脉相承——用海量无标注数据先学会细胞长什么样再迁移到具体任务。第二统一多种细胞病理模态。CROWN 把宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等不同来源、不同制片方式的细胞图像统一进一个预训练体系形成一个通用的视觉骨干backbone避免每种制片方式各训一套。第三一个骨干跑通多类任务。评估覆盖 202 个任务组合从贴片级分类、分割、检测到图像检索、全片级slide-level预测CROWN 无需针对每个任务从头训练只需在通用骨干上做轻量微调即可适配。3. 技术原理DINOv2自监督把千万细胞图压成通用骨干CROWN 的核心机制可概括为自监督对比学习 通用骨干迁移。预训练阶段模型对每一张细胞图像块生成两个经过不同增强的视图让同一图像的两个视图在特征空间里靠得近、不同图像的视图离得远从而在没有标签的情况下学会细胞形态的通用特征。这一范式与ECG-CLIP 用对比学习对齐心电与报告在方法论上相通只是 CROWN 纯视觉、不引入文本。下游使用时只需在 CROWN 骨干之上接一个轻量的任务头就能完成分类、分割、检测等不同任务省去从零训练的成本。需要强调这是研究原型模型论文评估的是其在多任务基准上的表现而非一个已完成注册、可投入临床的获批产品。4. 数据说话202个任务组合总体最佳22项分类超98%论文核心结果可归纳为几组对比。研究维度比较对象核心结果任务覆盖分类/分割/检测/检索/全片预测202 个任务组合贴片级分类48 项CROWN vs 现有预训练编码器准确率超 95%贴片级分类22 项同上准确率超 98%总体表现vs 既有骨干多数基准上最佳这些评估横跨私人机构队列与公开数据集宫颈细胞学 Cervix 1–5、甲状腺、胸腹水、血液等多个数据集CROWN 在多数基准上取得现有预训练编码器中的最佳总体表现48 项贴片级分类评估准确率超 95%其中 22 项超 98%。需要强调的是这是回顾性基准研究未经过前瞻性临床验证也未测量对真实诊疗流程或患者结局的影响。5. 从实验室到临床应用前景与局限可能的应用场景包括作为宫颈癌筛查、甲状腺细针穿刺等细胞病理任务的通用骨干降低单一病种模型的标注与训练成本在基层与资源紧张地区辅助病理医生快速筛查可疑细胞为图像检索、全片级风险分层等下游任务提供可复用的特征底座。局限至少三条。其一这是基准研究未做前瞻性临床验证从基准分数高到临床能用还有距离。其二预训练数据不公开涉及患者隐私与机构伦理外部研究者难以直接复现或在其上继续预训练跨机构、跨制片方式的泛化仍需更充分的独立外部验证。其三细胞病理任务的异质性极高同一模型在罕见病种、不同染色与扫描设备上的表现仍需逐一确认。6. 结论与产业启示CROWN 给出一个清晰信号细胞病理AI可以告别一病一标注”用一个自监督训练出来的通用视觉骨干覆盖分类、分割、检测等 202 个任务组合其中 48 项贴片级分类准确率超 95%、22 项超 98%。对医疗AI产业有三点可执行建议一是把自监督预训练作为降低病理AI标注门槛的优先路线二是构建通用骨干 轻量任务头的研发范式减少重复训练、加快多病种扩展三是正视基准研究与临床落地之间的鸿沟落地前补齐前瞻验证、独立外部测试与数据治理。归根结底可靠的医疗AI解决方案仍须以严格的临床验证为前提而非只看基准分数的高低。相关问题QCROWN 现在能直接用于临床细胞病理诊断吗A不能。它是一项回顾性基准研究未经过前瞻性临床验证也非获批产品。论文证明的是其在多任务基准上的通用性与准确率落地临床仍需补齐前瞻验证与注册审批。Q它测试的是通用模型还是一个完整可用的临床产品A是研究原型模型。论文评估的是通用视觉骨干在分类、分割、检测等基准上的表现尚未经历产品化、注册与临床部署。Q这种自监督预训练路线对中国医疗环境有意义吗A有参考价值。中国细胞病理同样面临标注贵、病种多的问题用海量无标注细胞图自监督训练、再迁移到具体任务方向契合但其结论基于回顾性基准迁移到国内仍需本地病种覆盖与前瞻验证。参考文献Zheng X, Zheng K, Wang J, et al.A universal visual foundation model for computational cytopathology.Nature Cancer. 2026. DOI: 10.1038/s43018-026-01240-0Lu MY, Chen B, Williamson DFK, et al.A visual-language foundation model for computational pathology.Nature Medicine. 2024;30:863–874. DOI: 10.1038/s41591-024-02856-4Vorontsov E, Bozkurt A, Casson A, et al.A foundation model for clinical-grade computational pathology and rare cancers detection.Nature Medicine. 2024;30:2924–2935. DOI: 10.1038/s41591-024-03141-0本文基于 A universal visual foundation model for computational cytopathology 的独立解读仅供学术交流不构成临床建议。 工程实现要点预训练范式DINOv2 自监督对比学习双视图增强全程无需人工标注数据规模超 1000 万张细胞病理图像块覆盖宫颈、甲状腺、胸腹水、血液多源数据任务覆盖202 个任务组合含分类、分割、检测、检索、全片级预测下游适配通用骨干 轻量任务头无需每个任务从头训练代码权重GitHub LexieK7/CROWN 与 HuggingFace 均已开源可获取论文原文信息链接细胞病理AI怎么告别一病一标注CROWN通用视觉基础模型千万级细胞图自监督训练覆盖202个任务组合