VISTA-PATH: Un modelo fundacional interactivo para la segmentación de imágenes patológicas y el análisis cuantitativo en patología computacional

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

January 23, 2026

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

cs.AI

Resumen

La segmentación semántica precisa para imágenes histopatológicas es crucial para el análisis cuantitativo de tejidos y la modelización clínica subsiguiente. Los modelos fundacionales de segmentación recientes han mejorado la generalización mediante preentrenamiento a gran escala, pero siguen estando poco alineados con la patología porque tratan la segmentación como una tarea de predicción visual estática. Aquí presentamos VISTA-PATH, un modelo fundacional de segmentación patológica interactivo y consciente de las clases, diseñado para resolver estructuras heterogéneas, incorporar retroalimentación experta y producir segmentaciones a nivel de píxel que sean directamente significativas para la interpretación clínica. VISTA-PATH condiciona conjuntamente la segmentación al contexto visual, descripciones semánticas de tejidos y sugerencias espaciales opcionales proporcionadas por expertos, permitiendo una segmentación multiclase precisa en imágenes patológicas heterogéneas. Para respaldar este paradigma, hemos creado VISTA-PATH Data, un corpus de segmentación patológica a gran escala que comprende más de 1.6 millones de tripletas de imagen-máscara-texto abarcando 9 órganos y 93 clases de tejidos. En extensos puntos de referencia externos y de retención, VISTA-PATH supera consistentemente a los modelos fundacionales de segmentación existentes. Es importante destacar que VISTA-PATH admite un refinamiento dinámico con humanos en el ciclo mediante la propagación de retroalimentación de anotación escasa con cuadros delimitadores a nivel de parche hacia la segmentación de muestras completas. Finalmente, demostramos que la segmentación de alta fidelidad y consciente de las clases producida por VISTA-PATH es un modelo preferido para la patología computacional. Mejora el análisis del microambiente tisular mediante el puntaje de interacción tumoral (TIS) propuesto, que exhibe asociaciones fuertes y significativas con la supervivencia del paciente. En conjunto, estos resultados establecen a VISTA-PATH como un modelo fundacional que eleva la segmentación de imágenes patológicas de una predicción estática a una representación interactiva y clínicamente fundamentada para la patología digital. El código fuente y la demostración pueden encontrarse en https://github.com/zhihuanglab/VISTA-PATH.

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.