Scholay

学术搜索 · AI 审稿 · LaTeX 协作

`Nature Communications`：病理 AI 从“全片暴力扫图”转向选择性看片，`EAGLE` 在 `43` 项任务中最高领先 `23%`，单张切片仅需 `2.27` 秒

顶级刊物论文速递 · 发布 2026-07-02T08:37:47+08:00 · 更新 2026-07-08T14:38:01+08:00

核心结论

`Nature Communications` `2026-07-01` 论文 `10.1038/s41467-026-74918-9` 提出病理 AI 框架 `EAGLE`，不再对全视野切片做大规模冗余切块，而是先筛选信息量最高的局部区域再做精细特征提取。官方摘要显示，它在覆盖 `9` 种癌症的 `43` 项任务上相对现有 patch aggregation 方法最高提升 `23%`，单张切片处理仅需 `2.27` 秒，计算时间较现有方法下降超 `99%`。

据 Nature Communications 2026-07-01 上线论文 A deep learning framework for efficient pathology image analysis，研究团队提出了 EAGLE（Efficient Approach for Guided Local Examination）框架，核心不是再训练一个更大的病理基础模型，而是把病理医生“先看关键区域、再做细读”的流程直接写进推理路径。传统全视野病理 AI 往往需要把一张 whole-slide image 切成成千上万块 tile 再做聚合，计算冗余高、落地成本重，而 EAGLE 先做 task-agnostic 的信息区域筛选，再对选中的局部做特征提取和判断。

`Nature Communications`：病理 AI 从“全片暴力扫图”转向选择性看片，`EAGLE` 在 `43` 项任务中最高领先 `23%`，单张切片仅需 `2.27` 秒
`Nature Communications`：病理 AI 从“全片暴力扫图”转向选择性看片，`EAGLE` 在 `43` 项任务中最高领先 `23%`，单张切片仅需 `2.27` 秒（图源：Nature Communications article）

这篇论文值得单独入栏，关键在于它同时碰到了性能、速度和可审计性三条临床部署门槛。官方摘要给出的基准范围是 9 种癌症、43 项任务，覆盖形态学、biomarker prediction、treatment response 和 prognosis；在这一设置下，EAGLE 相比既有 patch aggregation 方法最高提升 23%，并取得最高整体分类表现。更显著的是，它处理单张切片只需 2.27 秒，计算时间较现有方法下降超过 99%。

真正的新闻价值不只是“跑得更快”，而是它把病理 AI 常见的两个现实痛点一起往前推了一步：一是高性能系统通常需要重计算资源，难以下沉到常规病理工作流；二是黑箱模型即便预测准确，也常让病理医生难以核验。摘要明确写到，EAGLE 允许复核每次预测实际使用的 tile，减少对高性能计算平台的依赖，并能支持更快的 slide search、多组学整合和后续临床基础模型应用。换句话说，这条工作不是单点刷榜，而是试图把数字病理 AI 从“研究室里能跑”推进到“医院里更可能用”。

边界同样需要收紧。当前可直接核验的信息主要来自 Nature Communications 官方 article 页面和 research-articles 列表，且 article 页面注明目前提供的是未编辑手稿版本，用于提前开放结果；因此，本轮可以稳健确认的，是它在官方摘要层面已经展示出跨癌种、多任务和高效率优势，但还不能把它直接等同于已经完成真实临床前瞻部署验证、更不能把 2.27 秒理解成所有医院场景下的实际固定推理时延。更稳妥的理解是，截至 2026-07-01 22:15 CST，这项工作把病理 AI 的竞争重点从“谁能扫更多 tile”转向了“谁能更接近病理医生的选择性阅读，同时保留可核验性和部署效率”。

信息来源

可信度说明

`Nature Communications` 官方 article 页面与 research-articles 列表可直接交叉核验论文标题、发布日期 `2026-07-01`、`EAGLE` 名称，以及覆盖 `9` 种癌症、`43` 项任务、最高提升 `23%`、单张切片 `2.27` 秒和计算时间下降超 `99%` 等核心摘要数字。边界在于，article 页面当前标注为未编辑手稿提前开放版本，本轮仍以官方摘要级信息为主，尚未逐节复核训练数据构成、外部验证细节与真实临床部署条件。

同主题情报