病理基础模型概览：进展与未来方向
计算机视觉与模式识别
2025-05-22 v2 人工智能
机器学习
摘要
计算病理学涉及对全切片图像进行分析以实现自动癌症诊断，其依赖于多实例学习，其中性能高度依赖于特征提取器和聚合器。最近的病理基础模型（PFMs），其预训练在大规模组织病理数据上，显著提升了特征提取器和聚合器，但缺乏系统性的分析框架。本综述我们提出了一种分层分类法，将 PFMs 通过自上而下的方法进行组织，适用于任何领域的基础模型分析：模型范围、模型预训练和模型设计。此外，我们系统地将 PFM 评估任务分为切片级、切片级、多模态和生物学任务，提供了全面的基准测试标准。我们的分析识别了 PFM 开发（病理学特定方法、端到端预训练、数据-模型可扩展性）和利用（有效适应、模型维护）中的关键挑战，为该领域的未来方向铺平了道路。本综述中引用的资源可在 https://github.com/BearCleverProud/AwesomeWSI 上获得。
引用
@article{arxiv.2504.04045,
title = {A Survey of Pathology Foundation Model: Progress and Future Directions},
author = {Conghao Xiong and Hao Chen and Joseph J. Y. Sung},
journal= {arXiv preprint arXiv:2504.04045},
year = {2025}
}
备注
Accepted to IJCAI 2025 Survey Track, 10 Pages