近期，医疗AI实验室围绕病理全切片图像（WSI）的病灶自动分割开展了阶段性实验。医学影像像素级标注成本高、可用样本有限，是制约模型落地的主要瓶颈。团队采用自监督预训练结合弱监督标注的技术路线：先在无标注切片上进行掩码图像建模预训练，再仅用切片级标签（而非逐像素勾画）训练多实例学习分类头，把病灶定位转化为注意力引导的粗分割任务。
• 进展：在内部约1200例胃黏膜病理切片测试集上，该方案切片级分类AUC达0.91，病灶粗定位与像素级标注的Dice约0.62，较通用ImageNet预训练基线提升约6个百分点；
• 下一步：引入“模型生成候选区域—医生抽检修正”的半自动标注迭代，目标在同等标注预算下将Dice提升至0.70以上。
需要说明的是，上述结果仍处于离线实验阶段，尚未接入任何临床流程。团队将持续评估模型在不同染色批次、不同扫描仪间的泛化稳定性，并同步完善数据脱敏与合规流程建设。
评论