Das CHIEF-Modell (Clinical Histopathology Imaging Evaluation Foundation) ist ein grundlegendes pathologisches Modell zur Diagnose und Prognosevorhersage von Krebs. Es extrahiert Merkmale aus pathologischen Bildern mittels zweier komplementärer, vorab trainierter Methoden: unüberwachtes Vortraining zur Erkennung von Merkmalen auf Kachel-Ebene und schwach überwachtes Vortraining zur Erkennung von Mustern auf der Ebene des gesamten Objektträgers. Das CHIEF-Modell wurde mit 60.530 Ganzobjektträger-Bildern (WSIs) entwickelt, die 19 verschiedene anatomische Regionen abdecken. Durch das Vortraining auf einem 44 TB großen Datensatz hochauflösender pathologischer Bilder werden mikroskopische Repräsentationen extrahiert, die für die Erkennung von Krebszellen, die Identifizierung der Tumorentstehung, die Charakterisierung molekularer Profile und die Prognosevorhersage nützlich sind. Das CHIEF-Modell wurde an 19.491 Ganzobjektträger-Bildern aus 32 unabhängigen Objektträgersätzen von 24 internationalen Krankenhäusern und Kohorten validiert und übertraf die Leistung modernster Deep-Learning-Methoden um bis zu 36,1 %. Dies zeigt seine Fähigkeit, das Problem des Domain Shifts zu lösen, das bei Stichproben unterschiedlicher Populationen und verschiedener Objektträgerpräparationsmethoden auftritt. CHIEF bietet eine generalisierbare Grundlage für eine effiziente digitale pathologische Beurteilung von Krebspatienten.