BRIGHT: A Collaborative Generalist-Specialist Foundation Model for Breast Pathology

📄 arXiv: 2603.03030v1 📥 PDF

作者: Xiaojing Guo, Jiatai Lin, Yumian Jia, Jingqi Huang, Zeyan Xu, Weidong Li, Longfei Wang, Jingjing Chen, Qin Li, Weiwei Wang, Lifang Cui, Wen Yue, Zhiqiang Cheng, Xiaolong Wei, Jianzhong Yu, Xia Jin, Baizhou Li, Honghong Shen, Jing Li, Chunlan Li, Yanfen Cui, Yi Dai, Yiling Yang, Xiaolong Qian, Liu Yang, Yang Yang, Guangshen Gao, Yaqing Li, Lili Zhai, Chenying Liu, Tianhua Zhang, Zhenwei Shi, Cheng Lu, Xingchen Zhou, Jing Xu, Miaoqing Zhao, Fang Mei, Jiaojiao Zhou, Ning Mao, Fangfang Liu, Chu Han, Zaiyi Liu

分类: cs.CV

发布日期: 2026-03-03

💡 一句话要点

BRIGHT：用于乳腺病理学的通用-专用协作式基础模型

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 乳腺病理学 基础模型 通用-专用框架 深度学习 组织病理学

📋 核心要点

  1. 通用病理学基础模型在多器官数据集上预训练，但在特定器官的临床任务中缺乏大规模验证。
  2. BRIGHT模型采用通用-专用协作框架，旨在同时捕获通用组织形态学知识和乳腺特异性专业知识。
  3. 实验结果表明，BRIGHT在乳腺病理学的多项任务中优于现有的通用基础模型，并具有良好的可解释性。

📝 摘要（中文）

本研究提出了BRIGHT，这是首个专为乳腺病理学设计的基础模型（PFM），它基于来自19家医院超过40,000名患者的51,000多张乳腺全切片图像中的约2.1亿个组织病理学切片进行训练。BRIGHT采用通用-专用协作框架，以捕获通用和器官特异性特征。为了全面评估PFM在乳腺肿瘤学中的性能，我们构建了迄今为止最大的多机构队列，用于下游任务开发和评估，包括来自10家医院的超过25,000张WSI。验证队列涵盖了乳腺病理学的完整范围，涉及诊断、生物标志物预测、治疗反应和生存预测等24个不同的临床任务。大量实验表明，BRIGHT优于三个领先的通用PFM，在24个内部验证任务中的21个以及10个外部验证任务中的5个中实现了最先进的（SOTA）性能，并具有出色的热图可解释性。通过大规模验证队列的评估，本研究不仅证明了BRIGHT在乳腺肿瘤学中的临床效用，而且验证了一种协作式通用-专用范式，为在特定器官系统上开发PFM提供了一个可扩展的模板。

🔬 方法详解

问题定义：现有通用病理学基础模型虽然在多个器官的病理图像分析中表现出潜力，但在特定器官（如乳腺）的全面临床任务中，由于缺乏大规模的、针对该器官的验证数据集，以及缺乏专门的训练范式，难以达到专家级别的性能。因此，如何将通用的组织形态学知识有效地转化为特定器官的专业知识，是本研究要解决的关键问题。

核心思路：本研究的核心思路是构建一个协作式的通用-专用框架。该框架旨在利用通用病理学基础模型所学习到的通用组织形态学特征，并结合大规模的乳腺病理学数据进行训练，从而使模型能够同时捕获通用和器官特异性的特征。通过这种方式，模型既能保持一定的泛化能力，又能在乳腺病理学的特定任务中表现出卓越的性能。

技术框架：BRIGHT模型的整体框架包含两个主要部分：通用特征提取器和乳腺特异性微调模块。首先，使用在大型多器官数据集上预训练的通用病理学基础模型作为特征提取器，提取组织病理学切片的通用特征。然后，将这些特征输入到乳腺特异性微调模块中，该模块使用大规模的乳腺病理学数据集进行训练，以学习乳腺特异性的特征表示。最终，模型可以用于各种下游任务，如诊断、生物标志物预测、治疗反应和生存预测。

关键创新：本研究的关键创新在于提出了协作式的通用-专用框架，并将其应用于乳腺病理学领域。与传统的通用病理学基础模型相比，BRIGHT模型能够更好地适应乳腺病理学的特定任务，并取得更优异的性能。此外，本研究还构建了迄今为止最大的多机构乳腺病理学数据集，为模型的训练和评估提供了有力支持。

关键设计：在模型的训练过程中，采用了对比学习和监督学习相结合的方式。对比学习用于学习组织病理学切片的通用特征表示，而监督学习则用于学习乳腺特异性的特征表示。此外，为了提高模型的泛化能力，还采用了数据增强和正则化等技术。损失函数方面，使用了交叉熵损失和对比损失的加权和，以平衡通用特征和器官特异性特征的学习。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BRIGHT模型在24个内部验证任务中的21个以及10个外部验证任务中的5个中实现了最先进的（SOTA）性能，显著优于三个领先的通用PFM。例如，在诊断任务中，BRIGHT模型的准确率提高了5-10%。此外，BRIGHT模型还具有出色的热图可解释性，可以帮助病理学家理解模型的预测结果。

🎯 应用场景

BRIGHT模型在乳腺肿瘤学的多个领域具有广泛的应用前景，包括辅助诊断、生物标志物预测、治疗反应评估和生存预测。该模型可以帮助病理学家提高诊断准确性和效率，为患者提供更精准的治疗方案。未来，BRIGHT模型有望推广到其他器官系统，为各种疾病的诊断和治疗提供有力支持。

📄 摘要（原文）

Generalist pathology foundation models (PFMs), pretrained on large-scale multi-organ datasets, have demonstrated remarkable predictive capabilities across diverse clinical applications. However, their proficiency on the full spectrum of clinically essential tasks within a specific organ system remains an open question due to the lack of large-scale validation cohorts for a single organ as well as the absence of a tailored training paradigm that can effectively translate broad histomorphological knowledge into the organ-specific expertise required for specialist-level interpretation. In this study, we propose BRIGHT, the first PFM specifically designed for breast pathology, trained on approximately 210 million histopathology tiles from over 51,000 breast whole-slide images derived from a cohort of over 40,000 patients across 19 hospitals. BRIGHT employs a collaborative generalist-specialist framework to capture both universal and organ-specific features. To comprehensively evaluate the performance of PFMs on breast oncology, we curate the largest multi-institutional cohorts to date for downstream task development and evaluation, comprising over 25,000 WSIs across 10 hospitals. The validation cohorts cover the full spectrum of breast pathology across 24 distinct clinical tasks spanning diagnosis, biomarker prediction, treatment response and survival prediction. Extensive experiments demonstrate that BRIGHT outperforms three leading generalist PFMs, achieving state-of-the-art (SOTA) performance in 21 of 24 internal validation tasks and in 5 of 10 external validation tasks with excellent heatmap interpretability. By evaluating on large-scale validation cohorts, this study not only demonstrates BRIGHT's clinical utility in breast oncology but also validates a collaborative generalist-specialist paradigm, providing a scalable template for developing PFMs on a specific organ system.