2026 年如何选择病理基础模型

没有哪个病理基础模型全面胜出。基准测试、许可协议、任务匹配与算力对 UNI、CONCH 和 Virchow2 意味着什么；仅供研究，不用于诊断。

不存在唯一最好的病理基础模型。Neidlinger 等人在发表于 Nature Biomedical Engineering 的一项独立基准测试中，在切片级任务上比较了 19 个基础模型：CONCH 排名第一，Virchow2 紧随其后。在基因表达预测上，HEST-Benchmark 排行榜（2026 年 9 月 17 日查阅）把 H-optimus-1 排在首位，CONCH 则排得更靠后。选型按这个顺序来：先看许可协议允许你做什么，再看任务需要什么，最后看你的算力预算能在十亿像素级切片上跑得动什么。然后按患者划分数据，在模型预训练时从未见过的队列上做评估。

我是通过硕士论文接触到这个问题的，论文研究的是从病理图像预测基因表达。本文中的比较都是其他研究团队已发表的结果，而不是我自己的测量结果。

什么是病理基础模型？

病理基础模型（pathology foundation model）是一种图像编码器：它在规模极大的组织学切片集合上预训练，然后作为通用特征提取器，复用到许多下游任务中。在数字病理中，扫描仪把玻璃切片转换成全切片图像（whole-slide image，WSI），尺寸达到十亿像素级，所以常见流程分两步：基础模型先把经苏木精-伊红（H&E）染色的小块组织图像，也就是图块（tile），转换成嵌入向量；再由一个更轻量的模型从这些向量中学习具体任务。Neidlinger 等人描述的正是这一流程：先用每个基础模型提取特征，然后“用这些向量训练一个切片级聚合器”。

编码器能带来什么：

  • 标注成本更低。冻结的图块特征配合一个多示例学习（multiple instance learning，MIL）头，可以让下游模型从每张切片或每位患者的一个标签中学习，而不必依赖手工勾画的组织区域轮廓。也有报告称，预训练的病理特征所需的标注样本更少：UNI 论文称，UNI 能够支撑“数据高效”的模型。

  • 特征只需计算一次。嵌入向量可以缓存下来，在许多实验中反复使用。

  • 共同的比较基线。独立研究团队会发表针对同一批已公开编码器的对比结果。

它不能带来的：诊断——这些模型本来就不是做诊断用的；它也不会直接给你一个在你的队列上验证过、对你的扫描仪和染色条件稳健的模型。验证和稳健性得自己做出来，本指南余下部分讲的就是怎么做。

2026 年的病理基础模型版图：UNI、CONCH、Virchow2 等

纯视觉编码器与视觉-语言编码器

下面的编码器大多是纯视觉模型：只从图像中学习。

  • UNI（Mahmood Lab）：视觉 Transformer（ViT-L/16），参数量 3 亿。其 Nature Medicine 论文报告，UNI 在超过 1 亿张图像上预训练，这些图像来自超过 10 万张诊断用 H&E 染色切片。UNI2-h 是同一实验室推出的更大模型，为 ViT-H，参数量 6.81 亿。

  • Virchow2（Paige 与 Microsoft Research）：据其模型卡片，这是一个 ViT-H/14，参数量 6.32 亿，在来自纪念斯隆-凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的 310 万张全切片图像上训练。其论文还介绍了 Virchow2G Mini：由同系列中更大的 Virchow2G 蒸馏而来，参数量 2,200 万。

  • H-optimus-0 与 H-optimus-1（Bioptimus）：均为视觉 Transformer，参数量各 11 亿；H-optimus-0 的模型卡片称其在超过 50 万张 H&E 切片上训练。H0-mini（Owkin 与 Bioptimus）是从 H-optimus-0 蒸馏得到的 ViT-B/14，卡片标注的参数量为 8,570 万。

  • Prov-GigaPath：由一个图块编码器和一个切片编码器组成。Xu 等人在 Nature 上报告，它在 13 亿个图块上预训练，这些图块来自美国医疗网络 Providence 的 171,189 张全切片。

  • Phikon-v2（Owkin）：在公开切片数据集上预训练的 ViT-L，这一点对下文的数据泄露检查很重要。

CONCH（Mahmood Lab）是这份名单里的视觉-语言模型。它的视觉编码器是 ViT-B/16，参数量 9,000 万，与一个文本编码器配对；其 Nature Medicine 论文报告，训练数据为超过 117 万对图像与描述文本。文本这一侧正是纯视觉编码器所缺少的：CONCH 的模型卡片把零样本分类和图文检索列为其用途之一。

先看许可协议与访问条款

如果许可不允许你把模型用于你的目的，那么无论它得分多高，都不在候选之列。下表汇总了 2026 年 9 月 17 日 Hugging Face 上各模型卡片列出的条款。“需申请”（gated）指下载前要先在 Hugging Face 上申请访问并接受条款。

模型

模型卡片上的许可协议

访问方式

使用条款摘要

UNI

CC-BY-NC-ND 4.0

需申请；机构邮箱

非商业学术研究；商业使用须事先获批；不得再分发

UNI2-h

CC-BY-NC-ND 4.0

需申请；机构邮箱

与 UNI 相同

CONCH

CC-BY-NC-ND 4.0

需申请；机构邮箱

非商业学术研究；商业使用须事先获批；不得再分发

Virchow2

CC-BY-NC-ND 4.0

需申请；机构邮箱

非商业学术研究；商业使用须事先获批；不得用于诊断或治疗

H-optimus-0

Apache-2.0

需申请

未经任何监管机构审查或批准；用于医疗健康须满足合规要求并经独立验证

H-optimus-1

CC-BY-NC-ND 4.0

需申请，人工审批；机构邮箱

非商业学术研究；监管免责声明与 H-optimus-0 相同

H0-mini

CC-BY-NC-ND 4.0

需申请，人工审批；机构邮箱

非商业学术研究；监管免责声明与 H-optimus-0 相同

Prov-GigaPath

Apache-2.0

需申请

仅限研究与结果复现；不用于临床；部署用途不在适用范围内

Phikon-v2

Owkin 非商业许可

无需申请

非商业

由此可以得出三点：

  • Apache-2.0 不是临床许可。Prov-GigaPath 的模型卡片写明，该模型“并非旨在、也未被提供用于作为医疗器械、临床支持或诊断工具的临床用途”。H-optimus-0 的卡片则称，它“未经任何监管机构审查、认证或批准”。

  • Virchow2 的条款最为明确。用户须同意不将其用于“诊断、治愈、缓解、治疗或预防疾病”，即便挂着 Research Use Only（RUO，仅供研究使用）或 Investigational Use Only（IUO，仅供研究性试验使用）标签也不行。这两个标签是诊断类产品的监管类别，不是学术研究的类别。

  • 多数需申请的模型会核实你的身份。UNI、UNI2-h、CONCH、Virchow2、H-optimus-1 和 H0-mini 的卡片要求你的 Hugging Face 邮箱与机构邮箱一致，才会批准访问。

条款会变，下载前请阅读最新的模型卡片和所在机构的规定。此表只帮助你了解大致情况，不构成法律意见。

病理基础模型基准测试：结论是什么，由谁完成

模型自己的论文，是在作者自选的任务上评估它的。Neidlinger 等人把问题说得很直白：发布病理基础模型的团队“在自己选择的任务上”评估这些模型时，“存在很高的偏倚风险”。所以应从独立基准测试入手，并查清每项评估是谁做的。

切片级任务：CONCH 第一，Virchow2 紧随其后

Neidlinger 等人在涵盖生物标志物、形态学和预后的弱监督任务上，对 19 个组织病理基础模型做了基准测试。数据来自 13 个患者队列，共 6,818 名患者、9,528 张切片，涉及肺癌、结直肠癌、胃癌和乳腺癌。下游模型在癌症基因组图谱（TCGA）上训练，在外部队列上测试：一是公开的 CPTAC 数据集，参与测试的模型都没有在它上面训练过；二是若干非公开队列，它们“从未用于任何基础模型的训练”。预测以患者为单位进行。

已发表论文摘要的核心结论是：CONCH“与纯视觉基础模型相比取得了最高的总体性能，Virchow2 以微弱差距位居第二”。同一句话里还有一条对罕见预测目标至关重要的限定：CONCH 的领先优势“在数据量少的场景和低流行率任务中不那么明显”。在完整结果中，对 31 项任务取平均，CONCH 和 Virchow2 并列最高平均 AUROC（受试者工作特征曲线下面积），均为 0.71，可见这一排名背后的差距很小。

这一排名只涵盖参与测试的模型，H-optimus-1 和 UNI2-h 不在其中。

模型集成与数据多样性

根据已发表的基准测试，把 CONCH 与 Virchow2 的预测结合起来的集成模型，在 55% 的任务中优于单个模型。作者的解释是：基础模型“在不同队列上训练，为预测同一标签学到了互补的特征”。

该基准测试的结果还“表明，对基础模型而言，数据多样性比数据量更重要”，作者也写道“更大并不总是更好”。由模型开发者撰写的 Virchow2 论文对此做了补充限定：多样化的数据和领域特定方法“可以胜过只扩大参数量的模型”，但“平均而言，性能得益于领域特定方法、数据规模与模型规模三者的结合”。不论哪种说法，模型卡片上的参数量和切片数量都不能告诉你模型在你的任务上会表现如何。

UNI、CONCH 与 Virchow2 对比：为什么各排行榜结论不一

其他评估给出的排序各不相同：

  • PathBench（预印本）收集了来自 10 家医院、8,549 名患者的 15,888 张切片，并严格排除了任何曾用于预训练的数据。在它评估的 19 个病理基础模型中，它报告称 Virchow2 和 H-optimus-1 是“总体上最有效的模型”。

  • HEST-Benchmark 排行榜（在 HEST 代码仓库中）按平均 Pearson 相关系数，对编码器的基因表达预测能力排名。它由 Mahmood Lab 维护，而 UNI 和 CONCH 也出自这个实验室。2026 年 9 月 17 日查阅时，HEST 排行榜上 H-optimus-1 以 0.4229 居首，Virchow2 为 0.4034，CONCH v1 为 0.3696，使用 ImageNet 权重的 ResNet50 基线为 0.3252。排行榜上还有本指南没有介绍的较新条目，例如紧随 H-optimus-1 之后的 GenBio-PathFM，以及 CONCH v1.5；把它们列入候选之前，先读它们的模型卡片。

这些研究测试的模型、任务和队列各不相同，回答的自然是不同的问题。UNI 与 CONCH 的对比就是一例：在 Neidlinger 等人的切片级任务上，CONCH 总体排在 UNI 之前；而在 HEST 基因表达排行榜上，UNI 的平均分高于 CONCH v1。真正有用的产出不是一个赢家，而是一份包含两三个编码器的候选名单：它们在多项评估（其中至少有一项是独立评估）中都表现不错，接下来再拿到你自己的任务上测试。

按任务选模型

切片分类与生物标志物

切片级预测通常是弱监督的：每张切片或每位患者一个标签，比如某个生物标志物的状态或某项预后结局。这正是 Neidlinger 等人测量的场景，因此在本文引用的资料中，他们的基准测试是最直接相关的同行评审证据。预印本 PathBench 也在全切片图像上评估诊断和预后任务，并把 Virchow2 和 H-optimus-1 排在最前。

标注数据稀缺时，有两项发现很关键。第一，CONCH 的领先优势在数据量少和低流行率的设置下缩小了。第二，Neidlinger 等人分别用 300、150 和 75 名患者训练下游模型时，“随着训练规模缩小，所有模型都出现了相似的性能下降”。对于罕见的生物标志物，先规划队列，再选编码器。

从 H&E 图像预测基因表达：bulk 与空间

基因表达指的是组织样本中每个基因的活跃程度，通过 RNA 检测手段测量，例如 RNA 测序（RNA-Seq）。这一研究方向要回答的问题是：这种分子信号有多少能从 H&E 图像中的组织形态里读出来。

Bulk 表达指每个样本对应一个表达谱。Schmauch 等人报告，HE2RNA“可以通过训练，仅凭全切片图像、无需专家标注，就系统性地预测 RNA-Seq 表达谱”。

空间表达指预测组织内各个位置上的表达，模型从空间转录组学数据中学习。He 等人（ST-Net）使用了来自 23 名乳腺癌患者、与组织学图像匹配的 30,612 条空间分辨基因表达测量数据，找出了超过 100 个能在 100 µm 分辨率下预测其表达的基因。

HEST-1k 是一个数据集，其论文入选 NeurIPS 2024 Spotlight。它收集了 1,229 份空间转录组图谱，每份都关联一张全切片图像。配套的 HEST-Benchmark 定义了 9 项任务：从 112 × 112 µm 的 H&E 区域预测归一化方差最高的前 50 个基因，以 Pearson 相关系数评分。

不同组织之间的差距要认真对待。在 HEST 排行榜上，H-optimus-1 在皮肤黑色素瘤（SKCM）上达到 0.6589，在直肠腺癌（READ）上则为 0.2421。HEST 作者指出，性能“在部分任务上仍然偏低（例如 READ 和 ccRCC）”；ccRCC 即透明细胞肾细胞癌。Wang 等人在 Nature Communications 上对 11 种空间表达预测方法做了基准测试。在他们的两个空间转录组数据集上对全部基因计分时，Pearson 相关系数（PCC）和结构相似性（SSIM）“在所有方法上都很低”。在挑选出的基因上得分更高，下文的评估陷阱会再谈到这一点。预测出的表达是研究信号，不能替代实际检测，它的强弱取决于组织类型。

从图块到切片：MIL 与组织图方法

基于注意力的多示例学习

MIL 把一张切片看作一个带单一标签的图块“包”（bag）。Ilse、Tomczak 和 Welling（ICML 2018）提出了基于注意力的 MIL（ABMIL），这是一种“置换不变的聚合算子”，其注意力权重可以显示每个图块的贡献。CLAM（Lu 等人，2021）采用基于注意力的学习，并且“只需要切片级标签”。

就比较编码器而言，在 Neidlinger 等人的基准测试中，聚合器的选择影响不大：ABMIL 落后于基于 Transformer 的聚合器，“平均 AUROC 差值为 0.01，总体模型排名基本不变”。用一个简单的 ABMIL 头来检验候选名单，合理而且成本低。

在组织上构建图

置换不变的池化本身并不利用图块之间的相对位置。图方法把这种空间信息重新引入模型。Patch-GCN（Chen 等人，MICCAI 2021）出自一篇题为“Whole Slide Images are 2D Point Clouds”的论文，是一种图卷积网络，它“分层聚合实例级组织学特征，以建模局部和全局层面的拓扑结构”。代价是设计选择更多，比如图如何构建、如何池化，而每一项都要用与其他部分相同的数据划分来验证。

切片编码器还是图块嵌入

有些基础模型还额外提供切片编码器，Prov-GigaPath 就是其中之一。Neidlinger 等人的测试包含 4 个切片编码器，发现它们“在 MIL 设置中相比图块编码器没有优势，数据量少的场景除外”。当标注队列规模较小时，可以试试切片编码器。

让结果虚高的评估陷阱

下面每个陷阱都会让结果看起来比在新患者身上的实际表现更好，而且每一个都在已发表的研究中有记载。“先测量、再信任”的习惯同样适用于基于语言模型的系统，参见 RAG 幻觉护栏。

按患者划分数据，而不是按图块或 spot

问题所在：同一位患者的图块、spot（空间转录组的取样点）或相邻组织切片同时出现在训练集和测试集中，于是分数有一部分衡量的是模型对这位患者组织的记忆。

HEST-Benchmark 采用按患者分层的数据划分，“以避免训练集与测试集之间出现患者层面的数据泄露”。具体做法是 k 折交叉验证，k 等于患者数；ccRCC 由于患者数量多，改用 k/2。划分以 CSV 文件形式随基准一起发布。Wang 等人把“来自同一患者的相邻组织切片”放在同一折中；他们的 HER2+ 数据集包含来自 8 名患者的 36 个组织切片，所以独立单位是患者，而不是单张切片。

机构与扫描仪留下的特征

问题所在：模型学会了识别切片是在哪里制备或扫描的，而这一点恰好与标签相关。Howard 等人在 TCGA 中涉及 6 种癌症亚型、超过 3,000 名患者的数据里，发现了这一问题的两个方面：生存期、基因表达模式和驱动突变等预测目标在不同的样本提交机构之间差异显著，而提交机构本身也能从图像中识别出来。用他们的话说，“尽管采用了常用的颜色归一化和数据增强方法，机构检测仍然可行”。这类特征“可能导致对模型性能的估计过于乐观”。他们的解决办法是：同一个模型的训练样本和验证样本分别来自不同的机构。

基础模型并不能消除这个问题。Carloni 等人（MICCAI 的 MedAGI 2025 研讨会）在一个多扫描仪数据集上测试了这些模型，发现它们“仍然受扫描仪偏差影响”。Filiot 等人 2026 年 7 月的一篇预印本描述了“对扫描仪和染色差异依然敏感”的图块表示。

伪影是一个相关的情形。Neidlinger 等人指出，“UNI、Hibou、Virchow 和 Kaiko 等模型偶尔会高亮记号笔标记”；在他们的研究中，记号笔标记没有使分类产生偏差，因为这些标记“在不同类别之间分布均匀”。检查一下伪影、机构和扫描仪是否与你的标签相关。

预训练数据泄露

问题所在：测试切片，或来自同一批机构的切片，曾出现在基础模型的预训练数据中。Neidlinger 等人指出，“当基础模型在来自其训练数据所属机构的图像上测试时，就会引发对数据泄露的担忧”。他们在自己所说从未用于任何基础模型训练的非公开队列上做测试，另外还用了 CPTAC，参与其基准测试的模型都没有在 CPTAC 上训练过。

你也要做同样的检查。Phikon-v2 的模型卡片把 TCGA、CPTAC 和 GTEx 列为预训练数据来源（Phikon-v2 不在该基准测试之内），H0-mini 的卡片则列出了 TCGA 切片。对这些模型来说，不能假定从这些数据集中抽取的测试集是模型没见过的。

只在挑选出的基因上取平均

问题所在：把在挑选出的基因上取平均的相关系数，拿去和在全部基因上取平均的相关系数比较。Wang 等人在其 HER2+ 数据集上发现，多数方法在高变基因或空间可变基因上的得分（相关系数或 SSIM）高于在全部基因上的得分。因此，HEST-Benchmark 在前 50 个高变基因上的分数，与全部基因的平均值不具可比性。请报告你对哪些基因计分，以及这些基因是怎么挑选的。

全切片图像需要多少算力？

Xu 等人指出，“一张标准的十亿像素级切片可能包含数万个图像图块”，而你保留的每个图块都要经过编码器。预算由三个量决定：

  • 编码器大小：决定单个图块处理成本的首要因素之一。

  • 图块数量：由组织面积和切分图块时采用的放大倍率决定。

  • 嵌入维度：决定存储量和下游模型的输入宽度。

下表中上述编码器的规模数据，除注明外均取自其模型卡片。“拼接”指把 class token 与各 patch token 的均值拼接在一起，H0-mini 和 Virchow2 的卡片都展示了这种用法。

模型

参数量

嵌入维度

CONCH（视觉编码器）

9,000 万

512（Neidlinger 基准测试中的用法）

H0-mini

8,570 万

768（拼接后 1536）

UNI

3 亿

1024

Virchow2

6.32 亿

1280（拼接后 2560）

UNI2-h

6.81 亿

1536

H-optimus-0 与 H-optimus-1

各 11 亿

1536

存储量在做决定之前就很容易估算：对于 float32 嵌入，bytes ≈ tiles × embedding dimension × 4，即字节数约为图块数、嵌入维度与 4 的乘积。

在 HEST-Benchmark 上，编码器越大往往得分越高，但收益递减：HEST 论文报告，模型规模“与平均性能高度相关，但性能提升随可训练参数量呈对数增长”。蒸馏是折中方案。H0-mini 自己的预印本报告，它“以显著降低的推理成本，取得了与大型基础模型几乎相当的性能”；在 HEST 排行榜上，它的平均分为 0.3958，而它的教师模型 H-optimus-0 为 0.4150。跨嵌入维度比较时要注意，HEST 会先把每个嵌入降到 256 个主成分，因为岭回归“可能会不公平地惩罚嵌入维度更大的模型”。

让预算保持在合理范围的做法是：嵌入只提取一次，缓存起来，再在缓存上训练多个轻量的任务头。作为规模参考，HEST 论文的实验“在单块 NVIDIA 3090 GPU 上运行”。延迟是另一笔预算：如果每张新切片都要在推理时计算嵌入，编码器大小和图块数量决定的就不只是费用，还有等待时间。

这与我的硕士论文有什么关系

我在伊斯法罕理工大学的硕士论文于 2025 年 9 月完成，研究的是：能否从数字病理图像预测基因表达。基因表达检测既慢又贵；全切片图像获取快、成本低，但尺寸达十亿像素级。论文是在算力和延迟的硬性约束下完成的，方法结合了图神经网络、视觉基础模型、经过适配的大语言模型技术，以及统计与概率建模。基于该论文的学术论文正在撰写中。

正因为有这个约束，本文才把算力当作选型标准，而不是事后才考虑的问题。本指南不说明论文用了哪些基础模型，也不报告论文的任何结果：上文的比较都是其他研究团队已发表的结果，而不是我自己的测量结果。医学影像案例研究介绍了这篇论文，研究页面也收录了它。

病理基础模型选型清单

  • 许可与访问。模型卡片允许你的用途，你的账号也满足访问条件。

  • 任务类型。切片标签、生物标志物、预后、bulk 表达还是空间表达。

  • 候选名单。选在不止一项评估（包括一项独立评估）中表现良好的编码器，而不只是在自家论文里表现好的。

  • 预训练重叠。已将每张卡片列出的预训练数据来源与你的测试队列逐一核对。

  • 数据划分。至少按患者划分，条件允许时按机构划分，能拿到外部队列就用上。

  • 混杂因素。已核查机构、扫描仪、染色和伪影与标签的关系。

  • 指标与基因集。对于基因表达任务，所用指标和计分的基因都已报告。

  • 算力。已在自己的硬件上测量特征提取时间，嵌入已缓存，也试过蒸馏模型。

  • 最后才做集成。每个模型都单独测量过之后，才把它们组合起来。

如果你正在规划一个必须在硬件上限之内运行的计算机视觉系统，服务页面介绍了我的工作方式。

常见问题

哪个病理基础模型最好？

没有哪个模型在所有任务上都最好。在 Neidlinger 等人针对 19 个模型、基于切片级任务的独立基准测试中，CONCH 排名第一，Virchow2 以微弱差距位居第二；预印本 PathBench 更看好 Virchow2 和 H-optimus-1；而 2026 年 9 月 17 日查阅的 HEST 排行榜在基因表达上把 H-optimus-1 排在第一。先据此确定候选名单，再在你自己的任务上测试。

能从 H&E 切片预测基因表达吗？

对部分基因和组织，可以做到一定程度。He 等人（ST-Net）发现，超过 100 个基因的表达可以从乳腺癌组织学图像中预测出来；HE2RNA 则从全切片图像预测了 bulk RNA-Seq 表达谱。在 HEST-Benchmark 上，排名第一的编码器的相关系数随癌症类型差异很大。这是研究信号，不能在患者诊疗中替代分子检测。

UNI、CONCH 或 Virchow2 可以用于商业产品吗？

按其公开条款，不可以。它们在 Hugging Face 上的模型卡片列出的许可为 CC-BY-NC-ND 4.0，把使用范围限定为非商业学术研究，禁止未经事先批准的商业使用，并请商业实体与作者联系。本文涉及的其他模型中，H-optimus-0 和 Prov-GigaPath 采用 Apache-2.0，但 Prov-GigaPath 的卡片把任何部署用途都排除在适用范围之外，H-optimus-0 的卡片则要求用于医疗健康时满足监管合规并经过独立验证。条款会变，请查看最新的模型卡片；以上不构成法律意见。

这些模型能解读病理报告或诊断癌症吗？

不能。它们是研究用模型，作用是把图像图块（对 CONCH 而言还包括文本）转换成特征向量。Virchow2 的条款禁止用它诊断疾病，Prov-GigaPath 的卡片说明它不用于临床，H-optimus 系列的卡片则声明没有任何监管机构审查或批准过它们。关于病理报告的疑问，请咨询你的病理医生或主治医生。

参考来源