Cancer Res｜南方医科大学刘再毅等团队破解AI病理“慢、贵、难”落地难题：新框架大幅提速增效，让术中快速精准诊断成为可能

背景：计算病理学模型依赖高倍率全切片图像分析，导致计算时间长、通信开销高，限制了其在时间敏感临床场景中的应用。研究目的：为解决效率问题，研究团队开发了倍率对齐全局-局部变换器（MAG-GLTrans）框架，旨在利用低倍率输入实现高效分析，同时通过自监督学习对齐低倍与高倍特征以弥补信息差距。结论：MAG-GLTrans在多项计算病理学任务中展现出与先进模型相当的分类性能，计算时间最高减少10.7倍，通信与存储需求降低超过20倍，并在非小细胞肺癌术中冰冻切片诊断等应用中验证了其临床可行性，为时间敏感诊断提供了高效解决方案。