近期在多模态应用中的加速发展得益于线上大量的图像和文本数据。但是，在医学领域，特别是在组织病理学中，相似数据的稀缺性已经阻碍了类似的进展。为了在组织病理学中实现类似的表示学习，我们转向YouTube，这是一个尚未被充分利用的视频资源，提供了1,087小时来自专家临床医生的有价值的教育性组织病理学视频。从YouTube，我们策划了Quilt：一个大型的视觉-语言数据集，包括768,826对图像和文本。Quilt是使用各种模型（包括大型语言模型）、手工算法、人类知识数据库和自动语音识别自动策划的。相比之下，为组织病理学策划的最全面的数据集只有约200K样本。我们将Quilt与来自其他来源的数据集结合，包括Twitter、研究论文和互联网，创建了一个更大的数据集：Quilt-1M，它包括1M对图像-文本样本，使其成为迄今为止最大的视觉-语言组织病理学数据集。我们通过微调一个预训练的CLIP模型来展示Quilt-1M的价值。我们的模型在对13个不同的补丁级数据集的8种不同子病理学分类的零射击和线性探测任务，以及跨模态检索任务上均超过了最先进的模型。