近日，“致远十四期”（2025届）工科荣誉计划（信息工程IEEE试点班）毕业生何德轩以共同第一作者（排名第一）在《Nature Communications》发表题为“Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping”的论文。该研究针对罕见癌症病理诊断中“病例少、亚型杂、依赖专家”的临床痛点，提出名为PathPT的创新框架。该方法通过少样本提示微调与空间感知聚合，显著提升了病理视觉语言基础模型在低资源场景下的癌症亚型分类与可解释定位能力。何德轩本科毕业后继续在上海交通大学人工智能学院攻读硕士，研究方向为医疗人工智能与计算病理学。

论文链接：https://www.nature.com/articles/s41467-026-71715-2

突破“数据荒”瓶颈：让AI学会举一反三

罕见癌症虽单病种发病率低，却约占全部恶性肿瘤的20%-25%，在儿科肿瘤中占比超70%。然而，传统病理AI高度依赖大规模标注数据，难以应对此类病例稀缺的困境。研究团队提出的PathPT框架创造性地融合了三大策略：任务自适应提示微调、空间感知视觉聚合，以及基于整张切片标签自动生成图块级伪标签。这使得模型在仅有1张或5张标注切片的极端条件下，依然能够有效学习癌症亚型的判别特征，其表现显著优于传统多实例学习方法以及基础模型的零样本基线。

发布儿科罕见癌症公开数据集KidRare

除算法创新外，研究团队还整理并公开发布了儿科罕见肿瘤全视野切片图像数据集KidRare。该数据集包含来自多个医学中心的2200余张切片，覆盖神经母细胞瘤、肾母细胞瘤、髓母细胞瘤及肝母细胞瘤四大儿科罕见癌症，并支持跨中心验证。这一数据集为相关领域内后续研究提供了宝贵的公开资源。

兼具分型精度与临床可解释性

实验结果表明，PathPT不仅在八个罕见成人及儿童癌症数据集上取得最优性能，还在跨中心泛化测试中表现出稳健的迁移能力。更重要的是，模型在给出亚型预测的同时，还能够输出肿瘤区域的具体位置，突破了传统方法仅输出切片级预测的局限，为临床诊断提供了更直观、更可信的空间证据。这一能力被认为是病理人工智能走向临床验证的重要基础。

PathPT整体框架与任务概览

从兴趣到志向：在交叉探索中走向医学人工智能

何德轩始终对数学、生物与人工智能保持浓厚兴趣。进入上海交通大学后，他在攻读信息工程（IEEE试点班）本专业的同时，修读数学与应用数学双学位，为其现在所从事的科技与医学交叉研究奠定了扎实的数理基础和工程能力。在他看来，致远学院不仅提供了挑战自我、拓展视野的平台，也帮助他在持续地学习与实践过程中逐渐明确了科技与医学结合的发展方向。

本科期间，何德轩的科研训练逐步从工程智能延伸至医学智能。大二时，他跟随陈思衡老师探索自动驾驶相关方向，初步接触人工智能在复杂真实场景中的应用；大三时，他在郑伟龙老师指导下研究脑机接口安全问题，首次深刻体会到科研是在未知领域中提出问题并加以验证的过程；大四时，他跟随张娅老师转向医学人工智能与计算病理学研究，并在与医院团队的合作中进一步理解医学问题的复杂性与临床价值。挚友因罕见癌症离世的经历，更坚定了他将人工智能技术应用于医疗健康的志向。

如今，他选择继续在上海交通大学人工智能学院深造，深耕医疗人工智能与计算病理学方向，致力于发展更具可信性与可解释性的人工智能方法，服务疾病诊断与健康需求，守护生命健康。“影响是最好的教育”。回望致远时光，他深感幸运能在这里与最优秀的人并肩成长。这段经历也让他更加坚定地走在科研报国的道路上，用实际行动回应母校的栽培与时代的需求。