CROWN：细胞病理通用视觉基础模型，千万级无标注细胞图自监督预训练

核心要点

• 问题：细胞病理学是宫颈癌、甲状腺癌等筛查与确诊流程里最基础、也最耗人力的一环，阅片高度依赖医生经验，数据分散、标注口径不一，病理AI长期停在"一任务一模型"，缺一个可跨任务复用的通用底座。
• 方法：中山大学肿瘤防治中心 Muyan Cai 团队构建通用细胞病理视觉基础模型 CROWN，用 DINOv2 自监督框架在超过 1000 万张细胞病理图像块上预训练，全程无需人工标注。
• 结果：在 202 个任务组合（分类、分割、检测、检索、全片级预测）上取得现有预训练编码器中的最佳总体表现；48 项贴片级分类评估准确率超 95%，其中 22 项超 98%。
• 意义：为宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等多类细胞病理任务提供可复用的通用视觉骨干，显著降低标注依赖与重复训练成本。
• 原文：A universal visual foundation model for computational cytopathology，Nature Cancer，2026-09-18

1. 细胞病理的临床挑战：病理AI诊断最基础也最耗人力的环节

细胞病理学（cytopathology）通过显微镜观察脱落细胞或细针穿刺（fine-needle aspiration，FNA）取得的细胞形态，来筛查和诊断疾病。宫颈癌筛查的巴氏涂片（Pap smear）、甲状腺结节的细针穿刺、胸腹水脱落细胞检查、外周血细胞分析，都属于这一范畴。

这个环节的痛点很集中。第一，阅片高度依赖病理医生的人工经验，一位医生每天要"过目"成百上千张细胞图像，肉眼寻找散在的异常细胞，工作量大、易疲劳，也容易漏检。第二，细胞病理数据分散在不同机构、不同疾病、不同制片方式里，标注口径五花八门，很多公开数据集体量小、标签不统一，难以直接拼起来训练模型。第三，现有病理AI多为"一任务一模型"，换个病种、换个制片方式就得重新标注、重新训练。这让"病理AI诊断"长期停留在单点工具层面，缺一个能跨任务复用的通用底座。

2. CROWN的核心创新：不标注，让细胞图自己说话

研究由中山大学肿瘤防治中心 Muyan Cai 团队领衔，2026 年 9 月 18 日在线发表于 Nature Cancer。模型名为 CROWN（Cytology visual foundation netwoRk Optimized With self-supervised learNing），创新集中在三点。

第一，自监督预训练，彻底摆脱人工标注。团队用 DINOv2 自监督框架，在超过 1000 万张细胞病理图像块上预训练，全程不需要任何人工标注。这与术中病理基础模型 CRISP的思路一脉相承——用海量无标注数据先学会"细胞长什么样"，再迁移到具体任务。

第二，统一多种细胞病理模态。CROWN 把宫颈细胞学、甲状腺细针穿刺、胸腹水脱落细胞、血液细胞等不同来源、不同制片方式的细胞图像统一进一个预训练体系，形成一个通用的视觉骨干（backbone），避免每种制片方式各训一套。

第三，一个骨干跑通多类任务。评估覆盖 202 个任务组合，从贴片级分类、分割、检测，到图像检索、全片级（slide-level）预测，CROWN 无需针对每个任务从头训练，只需在通用骨干上做轻量微调即可适配。

3. 技术原理：DINOv2自监督，把千万细胞图压成通用骨干

CROWN 的核心机制可概括为"自监督对比学习 + 通用骨干迁移"。预训练阶段，模型对每一张细胞图像块生成两个经过不同增强的"视图"，让同一图像的两个视图在特征空间里靠得近、不同图像的视图离得远，从而在没有标签的情况下学会细胞形态的通用特征。这一范式与ECG-CLIP 用对比学习对齐心电与报告在方法论上相通，只是 CROWN 纯视觉、不引入文本。

下游使用时，只需在 CROWN 骨干之上接一个轻量的任务头，就能完成分类、分割、检测等不同任务，省去从零训练的成本。需要强调，这是研究原型模型，论文评估的是其在多任务基准上的表现，而非一个已完成注册、可投入临床的获批产品。

4. 数据说话：202个任务组合总体最佳，22项分类超98%

论文核心结果可归纳为几组对比。

这些评估横跨私人机构队列与公开数据集（宫颈细胞学 Cervix 1–5、甲状腺、胸腹水、血液等多个数据集），CROWN 在多数基准上取得现有预训练编码器中的最佳总体表现：48 项贴片级分类评估准确率超 95%，其中 22 项超 98%。需要强调的是，这是回顾性基准研究，未经过前瞻性临床验证，也未测量对真实诊疗流程或患者结局的影响。

5. 从实验室到临床：应用前景与局限

可能的应用场景包括：作为宫颈癌筛查、甲状腺细针穿刺等细胞病理任务的通用骨干，降低单一病种模型的标注与训练成本；在基层与资源紧张地区辅助病理医生快速筛查可疑细胞；为图像检索、全片级风险分层等下游任务提供可复用的特征底座。

局限至少三条。其一，这是基准研究，未做前瞻性临床验证，从"基准分数高"到"临床能用"还有距离。其二，预训练数据不公开（涉及患者隐私与机构伦理），外部研究者难以直接复现或在其上继续预训练；跨机构、跨制片方式的泛化仍需更充分的独立外部验证。其三，细胞病理任务的异质性极高，同一模型在罕见病种、不同染色与扫描设备上的表现仍需逐一确认。

6. 结论与产业启示

CROWN 给出一个清晰信号：细胞病理AI可以告别"一病一标注”，用一个自监督训练出来的通用视觉骨干覆盖分类、分割、检测等 202 个任务组合，其中 48 项贴片级分类准确率超 95%、22 项超 98%。

对医疗AI产业有三点可执行建议：一是把自监督预训练作为降低病理AI标注门槛的优先路线；二是构建"通用骨干 + 轻量任务头"的研发范式，减少重复训练、加快多病种扩展；三是正视基准研究与临床落地之间的鸿沟，落地前补齐前瞻验证、独立外部测试与数据治理。归根结底，可靠的"医疗AI解决方案"仍须以严格的临床验证为前提，而非只看基准分数的高低。

相关问题

Q：CROWN 现在能直接用于临床细胞病理诊断吗？

A：不能。它是一项回顾性基准研究，未经过前瞻性临床验证，也非获批产品。论文证明的是其在多任务基准上的通用性与准确率，落地临床仍需补齐前瞻验证与注册审批。

Q：它测试的是通用模型，还是一个完整可用的临床产品？

A：是研究原型模型。论文评估的是通用视觉骨干在分类、分割、检测等基准上的表现，尚未经历产品化、注册与临床部署。

Q：这种自监督预训练路线对中国医疗环境有意义吗？

A：有参考价值。中国细胞病理同样面临标注贵、病种多的问题，用海量无标注细胞图自监督训练、再迁移到具体任务，方向契合；但其结论基于回顾性基准，迁移到国内仍需本地病种覆盖与前瞻验证。

参考文献

1. Zheng X, Zheng K, Wang J, et al. A universal visual foundation model for computational cytopathology. Nature Cancer. 2026. DOI: 10.1038/s43018-026-01240-0
2. Lu MY, Chen B, Williamson DFK, et al. A visual-language foundation model for computational pathology. Nature Medicine. 2024;30:863–874. DOI: 10.1038/s41591-024-02856-4
3. Vorontsov E, Bozkurt A, Casson A, et al. A foundation model for clinical-grade computational pathology and rare cancers detection. Nature Medicine. 2024;30:2924–2935. DOI: 10.1038/s41591-024-03141-0

本文基于 A universal visual foundation model for computational cytopathology 的独立解读，仅供学术交流，不构成临床建议。