该文综述数字病理学基础模型进展：团队以较少全幻灯片图像构建模型，在公共及内部基准表现良好。研究表明，病理数据自监督预训练优于自然图像预训练，DINO泛化更佳，MoCo v2特征提取优于ImageNet预训练。团队还构建了6.32亿参数的Virchow模型，在分类、癌症检测和生物标志物预测等任务表现突出，并揭示特征提取器与聚合模型超参数之间存在相互依赖。

文章探讨计算病理学中的基础模型与自监督学习。Virchow模型（6.32亿参数）在分类、癌症检测和生物标志物预测中表现优异；研究表明病理数据预训练优于自然图像预训练，其中DINO泛化能力最佳。CONCH视觉语言模型在多任务上取得领先性能，UNI模型具备少样本分类能力。数字病理结合AI可辅助诊断，但部分基础模型的检索性能不及传统网络。