CorePath：用于核心 needle 活检诊断及风险控制报告生成的乳腺专科病理基础模型

CorePath 是一个面向乳腺癌的核心 needle 活检（CNB）的多模态病理基础模型，从 PRISM 微调而来，使用来自两个中心的 7,901 对 CNB 全切片图像和诊断报告。在六个 CNB 队列和两个公共基准上，无需任务特定重训，CorePath 在癌症检测、侵袭评估和组织学亚型分型上持续优于 PRISM。在五类 CNB 组织学亚型分型中，加权 AUC 达到 0.9526-0.9735。在报告生成中，非乳腺幻觉率从 30.1% 降至 2.8%。CorePath-CRG 结合了 conformal 亚型置信度门控和 Learn-Then-Test 风险控制，实现选择性报告发布，在已发布输出中非乳腺幻觉为零。

通用病理基础模型在细粒度亚型分型上表现不足，而 CorePath 展示了针对乳腺专科微调的有效性，在公开基准上超越了领先模型，并显著降低非乳腺幻觉，意味着专科化基础模型可能成为病理 AI 提升临床可用性的关键路径。

CorePath 基于 PRISM 进行乳腺专科微调，利用配对的组织切片图像和诊断报告，学习乳腺病变的独特形态特征。其风险控制通过 conformal 置信度门控和 Learn-Then-Test 方法，对模型输出进行筛选，确保低置信度样本被延迟或降级处理，从而在报告生成中实现零非乳腺幻觉，提高了模型的领域忠实度。

对于病理 AI 产品，CorePath 展示了专科化微调可显著提升诊断准确率，降低误报，并支持风险可控的报告生成。产品研发可借鉴其选择性发布机制，减少 AI 生成报告中的错误内容，提升临床接受度。但证据未提及部署成本或实际工作流程影响。

• 开发基于 CorePath 或类似方法的乳腺病理辅助诊断模块，集成到现有病理系统。
• 采用置信度门控机制，对低置信度样本自动触发人工复核，提升诊断流程安全性。
• 构建专科化病理基础模型库，按癌种微调，提高各癌种分型准确性。
• 利用其报告生成能力，辅助病理医生书写结构化报告，减少文书时间。

• CorePath 的临床验证仅基于两个中心，其在不同人群和扫描仪上的泛化性未证实。
• 报告生成中的零非乳腺幻觉是否适用于所有乳腺病变类型尚不明确。
• 未提及 CorePath 推理的计算成本和对现有硬件的适配情况。
• 风险控制机制在真实临床环境中的误延迟率未量化。