一個模型讀懂整張病理切片：PRISM2癌症偵測追上臨床專用系統

數位病理的難題，從來不只是讓電腦辨認幾個細胞，而是如何像病理醫師一樣，把一張包含數十億像素的全切片影像讀成完整病例。刊登於《Nature Medicine》的研究顯示，多模態基礎模型PRISM2已能直接回答癌症相關問題，並在數項測試中追上為特定癌別打造的臨床級系統，為「一個模型支援多種病理工作」提供了較具體的證據。

PRISM2由Paige與Microsoft Research合作開發，以超過230萬張蘇木精—伊紅染色全切片影像訓練，涵蓋約68.5萬份檢體報告。研究團隊將報告轉換為約1,400萬組臨床問答，先讓Virchow2產生的影像表徵與診斷文字對齊，再以Phi-3 Mini語言模型進行臨床對話訓練。模型因而不只輸出影像特徵，也能回答是非題、多選題、開放式問題及生成報告。

在未針對個別癌症偵測任務額外訓練的情況下，PRISM2透過是非問答，在前列腺癌與乳癌測試中達到Paige專用臨床產品的平衡準確率，並在乳房淋巴結癌症偵測上超越比較系統。這些測試使用模型訓練時未見的評估資料。不過，研究者特別避免把這稱為嚴格的「零樣本」能力，因為相關疾病概念已在訓練報告中出現；較準確的說法，是模型不必為每項任務另建專用分類器即可進行提示式推論。

PRISM2的用途也不止於篩出癌症。其切片表徵被用於癌症分型、分級、淋巴結分期、部分生物標記與存活預測；在多項線性探測評估中，表現未顯著落後於既有病理基礎模型。針對存活預測再微調後，它也勝過從頭訓練的專用模型。這種架構未來可能協助病例分流、預先填寫結構化報告，或為需要進一步免疫組織化學與定序的個案提供提示。

然而，基準測試達到臨床級產品水準，不等於模型本身已取得相同的臨床資格。研究採用去識別化資料進行回溯分析，而且PRISM2與底層影像模型所見切片都由同一癌症中心掃描；不同醫院的染色、掃描器、病例組成與工作流程，仍可能造成效能偏移。它缺乏完整的全域空間推理，也只使用單一解析度，對病灶計數、尺寸測量及部分分期工作可能形成限制。

語言輸出更需要審慎看待。研究抽查顯示，由報告衍生的訓練問答本身含有雜訊；模型生成診斷摘要時，仍會出現虛構發現、遺漏與分級錯誤，某些報告欄位也必須先校準才能改善判讀。Paige已提供PRISM2授權與企業整合，並將其納入仍處測試階段的Alba臨床助理，但公司也明示其生成內容不能取代醫療診斷或治療。

真正的下一道門檻，是在多中心、前瞻性臨床流程中證明模型能維持安全、穩定且可追溯的表現，並釐清人類覆核、錯誤責任與監管定位。PRISM2的重要性不在於宣告通用病理AI已經成熟，而是顯示大規模影像與診斷語言的結合，確實可能縮短通用基礎模型與專科臨床工具之間的距離。