GloPath: An Entity-Centric Foundation Model for Glomerular Lesion Assessment and Clinicopathological Insights
作者: Qiming He, Jing Li, Tian Guan, Yifei Ma, Zimo Zhao, Yanxia Wang, Hongjing Chen, Yingming Xu, Shuang Ge, Yexing Zhang, Yizhi Wang, Xinrui Chen, Lianghui Zhu, Yiqing Liu, Qingxia Hou, Shuyan Zhao, Xiaoqin Wang, Lili Ma, Peizhen Hu, Qiang Huang, Zihan Wang, Zhiyuan Shen, Junru Cheng, Siqi Zeng, Jiurun Chen, Zhen Song, Chao He, Zhe Wang, Yonghong He
分类: cs.CV
发布日期: 2026-03-03
💡 一句话要点
GloPath：用于肾小球病变评估和临床病理学洞察的实体中心基础模型
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 肾小球病理学 基础模型 自监督学习 病变评估 临床病理学 实体中心 多尺度学习 Transformer
📋 核心要点
- 现有AI方法在处理肾小球病理学中肾小球形态异质性和精细病变模式方面存在挑战。
- GloPath通过多尺度和多视角的自监督学习，训练了一个实体中心的肾小球基础模型。
- GloPath在病变评估和临床病理学洞察方面均表现出色，并在真实世界研究中展现了强大的鲁棒性。
📝 摘要（中文）
肾小球病理学是肾脏疾病诊断和预后的核心，但肾小球形态的异质性和精细的病变模式对当前的人工智能方法仍然具有挑战性。我们提出了GloPath，一个实体中心的基础模型，使用多尺度和多视角的自监督学习，在超过一百万个从14049个肾活检标本中提取的肾小球上进行训练。GloPath解决了肾脏病理学中的两个主要挑战：肾小球病变评估和临床病理学洞察发现。对于病变评估，GloPath在三个独立队列的52个任务上进行了基准测试，包括病变识别、分级、少样本分类和跨模态诊断，在42个任务（80.8%）中优于最先进的方法。在大型真实世界研究中，它在病变识别方面实现了91.51%的ROC-AUC，证明了在常规临床环境中的强大鲁棒性。对于临床病理学洞察，GloPath系统地揭示了肾小球形态参数与临床指标之间在224个形态-临床变量对中具有统计学意义的关联，证明了其将组织水平病理学与患者水平结果联系起来的能力。总之，这些结果将GloPath定位为一个可扩展且可解释的平台，用于肾小球病变评估和临床病理学发现，代表了肾脏病理学中临床可转化人工智能的一步。
🔬 方法详解
问题定义：肾脏疾病的诊断和预后依赖于准确的肾小球病理评估。然而，肾小球形态的高度异质性以及病变模式的精细复杂性，使得现有AI方法难以有效识别和评估这些病变，阻碍了临床应用。现有方法在处理大规模、多中心数据时，泛化能力不足，且难以建立组织病理学特征与临床结果之间的联系。
核心思路：GloPath的核心思路是构建一个实体中心的基础模型，该模型能够学习到肾小球的通用表征，从而能够应用于各种下游任务，如病变识别、分级和临床病理学关联分析。通过自监督学习，模型可以从大量未标记的肾小球图像中学习到有用的特征，从而提高模型的泛化能力和鲁棒性。
技术框架：GloPath的整体框架包括数据预处理、模型训练和下游任务评估三个主要阶段。首先，从肾活检图像中提取单个肾小球作为实体。然后，使用多尺度和多视角的自监督学习方法训练基础模型。最后，将训练好的模型应用于各种下游任务，如病变识别、分级、少样本分类和跨模态诊断。
关键创新：GloPath的关键创新在于其实体中心的设计和多尺度多视角的自监督学习方法。实体中心的设计使得模型能够专注于单个肾小球的特征学习，从而提高病变识别的准确性。多尺度多视角的自监督学习方法能够从不同尺度和角度捕捉肾小球的形态特征，从而提高模型的鲁棒性和泛化能力。
关键设计：GloPath使用了对比学习作为自监督学习的主要方法。具体来说，模型通过最大化同一肾小球不同尺度或视角的表征之间的一致性，来学习到有用的特征。损失函数包括InfoNCE损失和一致性损失。网络结构采用了Transformer架构，以捕捉肾小球内部的长期依赖关系。在训练过程中，使用了数据增强技术，如随机旋转、缩放和平移，以提高模型的鲁棒性。
🖼️ 关键图片
📊 实验亮点
GloPath在52个任务中的42个任务上超越了现有最先进方法（80.8%）。在大型真实世界研究中，GloPath在病变识别方面实现了91.51%的ROC-AUC，证明了其在实际临床环境中的强大性能。此外，GloPath还揭示了肾小球形态参数与临床指标之间在224个形态-临床变量对中具有统计学意义的关联。
🎯 应用场景
GloPath在肾脏病理学领域具有广泛的应用前景，可用于辅助医生进行肾小球病变评估、疾病诊断和预后预测。该模型还可以用于发现新的临床病理学关联，从而加深对肾脏疾病的理解。未来，GloPath有望成为一个临床可转化的AI平台，为肾脏疾病的精准诊疗提供支持。
📄 摘要（原文）
Glomerular pathology is central to the diagnosis and prognosis of renal diseases, yet the heterogeneity of glomerular morphology and fine-grained lesion patterns remain challenging for current AI approaches. We present GloPath, an entity-centric foundation model trained on over one million glomeruli extracted from 14,049 renal biopsy specimens using multi-scale and multi-view self-supervised learning. GloPath addresses two major challenges in nephropathology: glomerular lesion assessment and clinicopathological insights discovery. For lesion assessment, GloPath was benchmarked across three independent cohorts on 52 tasks, including lesion recognition, grading, few-shot classification, and cross-modality diagnosis-outperforming state-of-the-art methods in 42 tasks (80.8%). In the large-scale real-world study, it achieved an ROC-AUC of 91.51% for lesion recognition, demonstrating strong robustness in routine clinical settings. For clinicopathological insights, GloPath systematically revealed statistically significant associations between glomerular morphological parameters and clinical indicators across 224 morphology-clinical variable pairs, demonstrating its capacity to connect tissue-level pathology with patient-level outcomes. Together, these results position GloPath as a scalable and interpretable platform for glomerular lesion assessment and clinicopathological discovery, representing a step toward clinically translatable AI in renal pathology.