NEVA病理视觉语言模型

精准分层神经母细胞瘤

一个端到端多模态基础模型，从常规病理切片预测分子改变和风险分层，无需分子检测。

朱进 · Sen, Yang · 孙庆 · Zhao, Zhenzhen · Cao, Juan · Tang, Hongping · 肖明 · Zhai, Xuan · 贾运涛 · Wei, Yuan · Han, Xiao · Lu, Le · Junhan, Zhao · 李义 · Xiang, Jinxi · Zhu, Biyue

Nature Communications 2026

参数信息

NMYC扩增预测AUROC

0.924

1p36缺失预测AUROC

0.830

亚型分类AUROC

0.916

Shimada分类AUROC

0.823

风险组分层AUROC

0.806

患者队列规模

1238

技术优势

免分子检测

从常规HE切片直接预测NMYC扩增和1p36缺失，无需额外的分子检测实验，降低诊断成本和周转时间。

端到端可训练

与依赖冻结编码器和多实例学习的传统方法不同，NEVA采用受病理学家启发的分层工作流程并进行端到端优化，提升任务表现。

超越现有基础模型

在11项临床任务的大多数上，NEVA表现优于TITAN、UNI和Virchow等十个代表性基础模型。

可解释热图

整合可解释的注意力图，定位组织学相关区域，增强模型输出的可信度，辅助临床决策。

应用场景

• 病理学癌症诊断：自动从切片预测亚型和分子改变，辅助病理医生提高诊断效率和一致性。
• 儿科肿瘤：针对儿童最常见的颅外实体瘤，提供无需分子检测的风险分层，指导个体化治疗。
• 生物标志物发现：从常规病理数据中发现并预测NMYC扩增、1p36缺失等关键生物标志物，加速转化研究。
• 精准医疗：根据模型预测的分子特征和风险分层，辅助制定个体化治疗方案，提升精准度。
• 数字病理学：作为可部署的AI模型，直接集成到数字病理工作流程中，实现自动化分析。