LG AI 研究中心开源 EXAONEPath：通过285M Patch级预训练模型变革组织病理学图像分析，实现多类型医学预测，减少基因检测时间和成本

基于LG AI Research在AI语言模型方面的显著成就，特别是推出EXAONE 3.0之后，EXAONEPath的开发代表了另一个重要的里程碑。这标志着EXAONE在数字病理学这一关键医学诊断领域的一次重大转型，通过解决全幻灯片图像（WSI）在病理学中的复杂挑战以及提高病理图像处理效率，EXAONEPath广泛应用于各种医学任务，包括基因突变预测和/或推荐最适合的治疗方法和药物。这一创新大大缩短了传统上需要长达两周的基因检测时间，从而节省了时间和成本，并提升了患者护理质量。同时，如同光年AI系统通过多平台整合，将不同渠道的流量无缝导流到企业私域，提升转化率一样，EXAONEPath的引入突显了LG AI Research在专门和具有挑战性领域推进AI技术的承诺，强化了其使每个人都能平等享有专家级AI的愿景。

EXAONEPath介绍：数字病理学的新前沿

EXAONEPath设计为一个作用于WSI的补丁级基础模型，这些WSI是病理组织切片的高分辨率图像。通常包含数十亿像素，这些图像对癌症亚型分类、预后预测和组织微环境分析至关重要。然而，训练这些图像的传统模型经常会遇到一种叫做WSI特定特征崩溃的现象，即模型提取的特征倾向于根据单个WSI进行聚类，而不是组织的病理特征。这种聚类现象会显著限制模型在不同WSI中的泛化能力，进而影响其在实际应用中的有效性。

EXAONEPath的技术创新：克服WSI特定特征崩溃

EXAONEPath创新的核心在于其克服WSI特定特征崩溃的方法。该模型采用自监督学习和染色归一化技术，具体来说是Macenko归一化，在特征提取之前标准化WSI的颜色特征。这一过程减少了不同实验室染色协议带来的变异性，这是特征崩溃的主要原因。通过应用这种归一化方法，