استخدام الذكاء الاصطناعي لتمكين الطب الدقيق وأنظمة دعم القرار من خلال تحليل صور علم الأمراض يحمل في طياته إمكانية ثورية في تشخيص وعلاج السرطان. ستعتمد مثل هذه التطبيقات على قدرة النماذج على التقاط الأنماط المتنوعة الملاحظة في صور علم الأمراض. لمواجهة هذا التحدي، نقدم "Virchow"، وهو نموذج أساسي لعلم الأمراض الحاسوبي. باستخدام التعلم الذاتي المدعوم بالخوارزمية DINOv2، يعد "Virchow" نموذجًا لمتحول الرؤية يحتوي على 632 مليون معلمة تم تدريبها على 1.5 مليون صورة شريحة كاملة مصبوغة بالهيماتوكسيلين والأوزين من أنواع مختلفة من الأنسجة والعينات، وهي كميات بيانات أكبر بمراحل مما تم استخدامه في الأعمال السابقة. يتيح نموذج "Virchow" تطوير نظام كشف شامل للسرطان بمعنوية (AUC) عامة للعينات تبلغ 0.949 عبر 17 نوعًا مختلفًا من السرطان، مع تحقيق معنوية (AUC) تبلغ 0.937 على سبعة أنواع نادرة من السرطان. يحدد نموذج "Virchow" أحدث ما وصلت إليه التقنيات في معايير البلاط الصور الداخلية والخارجية وفي مهام التنبؤ بالبصمات البيولوجية على مستوى الشريحة. تعكس الزيادات في الأداء أهمية تدريب النماذج على قواعد بيانات ضخمة من صور علم الأمراض، مما يشير إلى أن زيادة حجم البيانات وهندسة الشبكة يمكن أن تحسن الدقة في العديد من التطبيقات عالية الأثر في علم الأمراض الحاسوبي حيث تكون كميات البيانات المتاحة محدودة.