多样化病理基础大模型的涌现，提升了各类计算病理学任务的性能。然而，由于模型架构和预训练数据来源的差异，不同模型在下游任务中表现各异、各具优势，从而增加了模型选择的复杂度。此外，由于病理图像数据具有隐私性强等特点，汇总多源数据以重新训练病理基础模型在实践中难以实现。

近日，医学院临床医学研究院俞章盛教授团队提出了Meta-Encoder方法，为解决这一问题提供了有效方案。该研究成果发表于Nature Communications，临床医学研究院高瑞恬博士为该论文第一作者，已毕业硕士研究生杨钊昌为共同第一作者，俞章盛教授为通讯作者。

针对上述挑战，研究人员提出的Meta-Encoder方法，通过整合多个病理基础模型，增强对病理图像的表征能力，进而提升下游任务的预测精度，为精准肿瘤学的发展提供支持。实验结果表明，Meta-Encoder能有效融合多个在异构数据集上预训练的基础模型，充分发挥其互补优势。针对基于病理图像的肿瘤亚型分类等简单任务，Meta-Encoder拼接策略可匹敌甚至超越最佳单个模型性能，有效规避模型选择偏差；对于癌症关键生物标记物及空间组学表达预测等复杂任务，Meta-Encoder自注意力策略表现尤为突出，显著优于最佳单个模型。值得一提的是，Meta-Encoder方法在图像特征层面实现轻量级集成，无需接触原始训练数据，计算效率高，并具有良好的可扩展性，便于集成新出现的基础模型。

该创新性方法不仅有效缓解了病理基础模型选择难、病理图像数据共享难的现实困境，也为充分挖掘已有模型潜力、推动多模型协同应用提供了全新思路。未来，该框架有望进一步整合更多样化的预训练模型与多模态数据，持续赋能精准肿瘤学的临床转化与智能病理诊断的发展。