Phikon-v2, A large and public feature extractor for biomarker prediction：开源病理学基础模型，性能比肩私有模型
2024年9月，Owkin等机构发布Phikon-v2，一个基于DINOv2自监督学习的病理学视觉Transformer（ViT-L），在超过100个公开队列、4.6亿张病理切片上训练，覆盖30多种癌症。在8个slide-level任务上，Phikon-v2超越前代Phikon，性能与使用私有数据训练的GigaPath和H-Optimus-0等基础模型相当。研究还发现，简单集成策略平均提升AUC 1.75（p<0.001），且小模型在某些任务（如MSI预测）上可击败大模型。
发展脉络
- 首次出现Phikon-v2, A large and public feature extractor for biomarker prediction：开源病理学基础模型，性能比肩私有模型arXiv cs.AI
- 当前判断Phikon-v2的开源将加速病理AI在药物研发、临床诊断中的应用。制药公司可利用其提取特征，开发伴随诊断试剂盒。医院病理科可基于该模型构建本地化AI辅助诊断系统，降低对私有数据的依赖。同时，研究提示“越大越好”并非绝对，部署时应根据任务选择合适规模。Agent Pulse · 分析
Phikon-v2是迄今为止最大的公开病理学基础模型之一，证明了使用完全公开数据训练的模型可以达到与私有数据训练模型相当的性能。这降低了病理AI研究的门槛，使更多机构能基于高质量特征提取器开发诊断工具。研究还揭示了模型规模与下游性能并非严格正相关，小模型在特定任务上可能更优，为实际部署提供了成本效益参考。
Phikon-v2使用DINOv2自监督学习框架，在4.6亿张病理切片上训练ViT-L架构。数据来自100+公开队列，涵盖30+癌症部位。与Phikon（ViT-B）相比，模型规模从86M参数增至307M。评估涵盖8个slide-level任务，包括癌症亚型分类、生物标志物预测（如MSI、HRD）等，所有结果在外部验证集上报告，避免数据污染。对比14种特征提取器，Phikon-v2在多数任务上达到或接近最优。关键发现：1) DINOv2比iBOT更适合模型和数据规模扩展；2) 简单集成（如平均多个检查点）显著提升性能；3) 最新大模型（GigaPath、H-Optimus-0）整体表现最佳，但在MSI预测等任务上被小模型超越。
Phikon-v2的开源将加速病理AI在药物研发、临床诊断中的应用。制药公司可利用其提取特征，开发伴随诊断试剂盒。医院病理科可基于该模型构建本地化AI辅助诊断系统，降低对私有数据的依赖。同时，研究提示“越大越好”并非绝对，部署时应根据任务选择合适规模。
病理AI公司可将Phikon-v2作为特征提取器，在其基础上开发针对特定癌种的分类或预测模型，减少预训练成本。云服务商可提供Phikon-v2的托管推理API，服务中小型医院和药企。投资机构可关注利用开源基础模型降低研发成本的病理AI初创公司。
后续关注：1) Phikon-v2在真实临床环境中的验证结果；2) 社区是否基于该模型开发微调版本；3) 模型在罕见病或低资源场景下的泛化能力；4) 与GigaPath等更大模型的成本效益比较。