VISTA-PATH: Ein interaktives Basismodell für die Pathologiebildsegmentierung und quantitative Analyse in der computergestützten Pathologie

VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology

January 23, 2026

papers.authors: Peixian Liang, Songhao Li, Shunsuke Koga, Yutong Li, Zahra Alipour, Yucheng Tang, Daguang Xu, Zhi Huang

cs.AI

papers.abstract

Eine präzise semantische Segmentierung von Histopathologie-Bildern ist entscheidend für quantitative Gewebeanalysen und nachgelagerte klinische Modellierungen. Aktuelle Segmentierungs-Foundation-Modelle haben die Generalisierungsfähigkeit durch groß angelegtes Pre-Training verbessert, bleiben jedoch schlecht mit der Pathologie abgestimmt, da sie Segmentierung als eine statische visuelle Vorhersageaufgabe behandeln. Hier stellen wir VISTA-PATH vor, ein interaktives, klassenbewusstes Pathologie-Segmentierungs-Foundation-Modell, das entwickelt wurde, um heterogene Strukturen aufzulösen, Expertenfeedback zu integrieren und pixelgenaue Segmentierungen zu erzeugen, die direkt für die klinische Interpretation bedeutsam sind. VISTA-PATH kombiniert die Segmentierung mit visuellem Kontext, semantischen Gewebebeschreibungen und optionalen, von Experten bereitgestellten räumlichen Prompts, was eine präzise Multi-Klassen-Segmentierung über heterogene Pathologie-Bilder hinweg ermöglicht. Um dieses Paradigma zu unterstützen, haben wir VISTA-PATH Data kuratiert, einen groß angelegten Pathologie-Segmentierungskorpus, der über 1,6 Millionen Bild-Maske-Text-Triplets aus 9 Organen und 93 Gewebeklassen umfasst. In umfangreichen Hold-out- und externen Benchmarks übertrifft VISTA-PATH durchgängig bestehende Segmentierungs-Foundation-Modelle. Wichtig ist, dass VISTA-PATH eine dynamische menschliche Nachbearbeitung in der Schleife unterstützt, indem spärliche, patch-basierte Bounding-Box-Annotationsfeedbacks in die Ganzschnitt-Segmentierung propagiert werden. Abschließend zeigen wir, dass die hochpräzise, klassenbewusste Segmentierung von VISTA-PATH ein bevorzugtes Modell für die computergestützte Pathologie ist. Es verbessert die Analyse der Tumormikroumgebung durch den vorgeschlagenen Tumor-Interaktions-Score (TIS), der starke und signifikante Assoziationen mit dem Patientenüberleben aufweist. Zusammengenommen etablieren diese Ergebnisse VISTA-PATH als ein Foundation-Modell, das die Pathologie-Bildsegmentierung von einer statischen Vorhersage zu einer interaktiven und klinisch fundierten Repräsentation für die digitale Pathologie erhebt. Quellcode und Demo sind unter https://github.com/zhihuanglab/VISTA-PATH verfügbar.

English

Accurate semantic segmentation for histopathology image is crucial for quantitative tissue analysis and downstream clinical modeling. Recent segmentation foundation models have improved generalization through large-scale pretraining, yet remain poorly aligned with pathology because they treat segmentation as a static visual prediction task. Here we present VISTA-PATH, an interactive, class-aware pathology segmentation foundation model designed to resolve heterogeneous structures, incorporate expert feedback, and produce pixel-level segmentation that are directly meaningful for clinical interpretation. VISTA-PATH jointly conditions segmentation on visual context, semantic tissue descriptions, and optional expert-provided spatial prompts, enabling precise multi-class segmentation across heterogeneous pathology images. To support this paradigm, we curate VISTA-PATH Data, a large-scale pathology segmentation corpus comprising over 1.6 million image-mask-text triplets spanning 9 organs and 93 tissue classes. Across extensive held-out and external benchmarks, VISTA-PATH consistently outperforms existing segmentation foundation models. Importantly, VISTA-PATH supports dynamic human-in-the-loop refinement by propagating sparse, patch-level bounding-box annotation feedback into whole-slide segmentation. Finally, we show that the high-fidelity, class-aware segmentation produced by VISTA-PATH is a preferred model for computational pathology. It improve tissue microenvironment analysis through proposed Tumor Interaction Score (TIS), which exhibits strong and significant associations with patient survival. Together, these results establish VISTA-PATH as a foundation model that elevates pathology image segmentation from a static prediction to an interactive and clinically grounded representation for digital pathology. Source code and demo can be found at https://github.com/zhihuanglab/VISTA-PATH.