VISTA-PATH: Een interactief foundation model voor pathologiebeeldsegmentatie en kwantitatieve analyse in de computationele pathologie

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

January 23, 2026

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

cs.AI

Samenvatting

Nauwkeurige semantische segmentatie van histopathologiebeelden is cruciaal voor kwantitatieve weefselanalyse en daaropvolgende klinische modellering. Recente segmentatiefoundationmodellen hebben de generalisatie verbeterd door grootschalige voorafgaande training, maar sluiten nog steeds slecht aan bij de pathologie omdat ze segmentatie behandelen als een statische visuele voorspeltaak. Hier presenteren we VISTA-PATH, een interactief, klassebewust pathologiesegmentatiefoundationmodel dat is ontworpen om heterogene structuren op te lossen, expertfeedback te incorporeren en pixelgewijze segmentaties te produceren die direct betekenisvol zijn voor klinische interpretatie. VISTA-PATH conditioneert segmentatie gezamenlijk op visuele context, semantische weefselbeschrijvingen en optionele door experts verstrekte ruimtelijke prompts, waardoor nauwkeurige multiklasse-segmentatie over heterogene pathologiebeelden mogelijk wordt. Om dit paradigma te ondersteunen, hebben we VISTA-PATH Data samengesteld, een grootschalig pathologiesegmentatiecorpus bestaande uit meer dan 1,6 miljoen beeld-masker-tekst triplets verspreid over 9 organen en 93 weefselklassen. Over uitgebreide achtergehouden en externe benchmarks presteert VISTA-PATH consistent beter dan bestaande segmentatiefoundationmodellen. Belangrijk is dat VISTA-PATH dynamische verfijning met menselijke interactie ondersteunt door schaarse, patchgewijze bounding-box annotatiefeedback te propageren naar whole-slide-segmentatie. Ten slotte tonen we aan dat de hoogwaardige, klassebewuste segmentatie geproduceerd door VISTA-PATH een voorkeursmodel is voor computationele pathologie. Het verbetert weefselmicro-omgevingsanalyse door de voorgestelde Tumor Interactie Score (TIS), die sterke en significante associaties vertoont met patiëntoverleving. Samen vestigen deze resultaten VISTA-PATH als een foundationmodel dat pathologiebeeldsegmentatie verheft van een statische voorspelling naar een interactieve en klinisch onderbouwde representatie voor digitale pathologie. Broncode en demo zijn beschikbaar op 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.