面向部署的高效计算病理学基础框架
摘要
病理学基础模型（PFMs）通过大规模数据集和广泛的网络结构，实现了在计算病理学中的稳健泛化，但其巨大的计算成本——尤其是针对巨图全切片图像——限制了临床可及性和可扩展性。本文提出 LitePath，一个面向部署的基础框架，旨在缓解模型的过度参数化和切片级别的冗余。LitePath 集成了 LiteFM——一种从三个大型 PFMs（Virchow2、H-Optimus-1 和 UNI2）中蒸馏得到的紧凑模型，采用 1900 万切片进行训练；以及自适应切片选择器（Adaptive Patch Selector, APS），这是一种用于任务特定切片选择的轻量级组件。该框架相较于 Virchow2 减少模型参数 28 倍，将 FLOPs 降低 403.5 倍，使其能够在低功耗边缘硬件（如 NVIDIA Jetson Orin Nano Super）上进行部署。在该设备上，LitePath 每小时处理 208 张切片，速度是 Virchow2 的 104.5 倍，每 3000 张切片耗电 0.36 度，仅为 Virchow2 在 RTX3090 GPU 上的 171 倍。我们使用来自 37 个队列、4 个器官和 26 项任务（其中 26 项内部任务、9 项外部任务和 2 项前瞻性任务）的 15,672 张切片（来自 9,808 名患者），且这些数据与预训练数据相互独立来验证准确性。LitePath 在 19 个评估模型中排名第二，优于包括 H-Optimus-1、mSTAR、UNI2 和 GPFM 在内的更大模型，同时平均保留 99.71% 的 AUC。为量化准确率与效率之间的平衡，我们提出部署分数（D-Score），定义为标准化 AUC 与标准化 FLOP 的加权几何平均数，其中 LitePath 实现了最高值，超过 Virchow2 10.64%。这些结果表明，LitePath 能够在可及硬件上实现快速、经济且高效的病理图像分析，同时保持与最先进 PFMs 相当的准确性，并降低 AI 部署的碳足迹。
引用
@article{arxiv.2602.14010,
title = {A Deployment-Friendly Foundational Framework for Efficient Computational Pathology},
author = {Yu Cai and Cheng Jin and Jiabo Ma and Fengtao Zhou and Yingxue Xu and Zhengrui Guo and Yihui Wang and Zhengyu Zhang and Ling Liang and Yonghao Tan and Pingcheng Dong and Du Cai and On Ki Tang and Chenglong Zhao and Xi Wang and Can Yang and Yali Xu and Jing Cui and Zhenhui Li and Ronald Cheong Kin Chan and Yueping Liu and Feng Gao and Xiuming Zhang and Li Liang and Hao Chen and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2602.14010},
year = {2026}
}