法医病理学在司法鉴定、医疗纠纷和公共安全领域发挥着至关重要作用，鉴定人员通过案情与现场勘查、尸体解剖和组织病理学检查确定死者的死亡死因与死亡方式。不同于临床病理学的新鲜活检组织，法医从尸检中获得的组织存在不同程度的自溶与腐败改变，给显微镜下准确诊断造成诸多困难。此外，传统组织病理学诊断过程繁琐、耗时，国内高水平法医病理学专业人才短缺，成为法医病理学鉴识工作的短板，制约了学科的进步和整个行业的发展。

基于上述问题，西安交通大学法医学院联合数学与统计学院、生命学院科研团队，在司法部司鉴院等多个单位支持下，创新性地提出了一种专门面向法医组织病理学诊断的视觉语言多模态人工智能模型——SongCi（宋慈）。该模型采用前沿的原型跨模态自监督对比学习技术，通过深度融合图像与文本数据的特征，显著提升了法医组织病理学诊断的准确性与效率。SongCi模型首先在超过1600万张涵盖九种不同尸检器官病理变化的高分辨率病理切片图像上进行预训练，随后再利用2228对尸检全切片图像和相关尸检关键描述文本进行跨模态联合学习。通过这样的训练过程，SongCi模型能够高效地捕捉病理图像中细微的病变特征，并结合相应的文本描述，实现对病理学变化的精准识别与细致诊断。相比传统的人工诊断，SongCi模型不仅提高了诊断的一致性和客观性，还有效降低了诊断过程中的人为误差。

近日，联合研究团队在《自然-通讯》（Nature Communications）发表了题为《基于原型对比学习的法医病理学跨模态分析与智能化研究》（Large-vocabulary forensic pathological analyses via prototypical cross-modal contrastive learning）的论文。论文详细阐述了SongCi模型的构建过程、跨模态对比学习算法的具体实现方式以及模型在实际法医病理应用场景中的性能评估。实验结果表明，SongCi模型在多模态数据融合、诊断准确性、诊断速度以及模型的可解释性方面均取得了显著突破。具体而言，SongCi模型在法医组织病理诊断方面表现出与资深法医病理专家相当甚至更优的性能，远远超过了经验较少的从业人员。此外，SongCi模型利用先进的多模态注意力机制，能够精确定位病理图像中的关键区域以及对应文本描述中的关键信息，为诊断结果提供了清晰明确的依据。

SongCi模型不仅在提升诊断准确性方面表现突出，更在零样本学习方面具有显著优势。即使面对未曾出现过的新型法医诊断情形，SongCi也能通过跨模态对比学习算法进行合理预测。这种零样本学习能力显著提高了模型的泛化性能，扩展了模型的应用范围，提供了一种更高效、更可靠的诊断工具。此外，SongCi还在病理图像生成、自监督组织分割以及跨模态注意力分析等任务中展现出优异的性能。具体而言，该模型能高保真地生成特定法医病理特征的图像切片；同时还能利用预训练的图像编码器高精度地完成死后组织结构的自动分割，显著提升病理图像处理效率。这些优势表明SongCi在法医病理学及其他相关医疗诊断领域具有广阔的应用前景。科研团队相信，随着类似SongCi这样的人工智能工具不断完善和推广，法医病理学的诊断质量和效率将得到显著提升，这将极大改善中国司法鉴定和公共卫生事件的应急响应能力。未来，该团队将继续在多模态法医病理人工智能领域深入探索，不断丰富和拓展SongCi模型的数据和算法结构，以进一步提高模型的泛化能力和可解释性。同时，团队还将积极推动与国内更多法医单位的合作和技术交流，共同推动人工智能在法医病理学领域的广泛应用，致力于打造精准、高效、可靠的智能化诊断体系。

西安交通大学法医学院博士生申忱为第一作者，通讯作者包括西安交通大学法医学院王振原教授、数学与统计学院练春锋教授和生命学院马建华教授。该研究工作得到了国家自然科学基金以及陕西省自然科学基金的资助。此外，研究团队特别感谢西安交通大学生物医学实验中心工作人员李雯提供的技术支持。

论文链接：https://www.nature.com/articles/s41467-025-62060-x