计算病理基础模型综述：数据集、适应策略与评估任务
计算机视觉与模式识别
2025-02-27 v2 人工智能
摘要
计算病理基础模型（CPathFMs）作为一种强大的分析病理学数据的工具，正在涌现出来。它们利用无监督学习从未标记的全切片图像中提取稳健的特征表示。这些模型按单模态和多模态框架进行分类，已在自动化复杂病理任务（如分割、分类和生物标志物发现）方面展现出前景。然而，CPathFMs的开发 presents significant 挑战，如数据可访问性有限、数据集之间存在较大变异性、需要特定于领域的适应，以及缺乏标准化的评估基准。本综述提供了CPathFMs在计算病理中的全面回顾， focus on 数据集、适应策略和评估任务。我们分析了关键技术，如对比学习和多模态集成，并突出了当前研究中的现有差距。最后，我们从四个角度探讨了推进CPathFMs的未来方向。本综述为研究人员、临床医生和人工智能实践者提供了宝贵资源，指导CPathFMs向健壮且临床可应用的AI驱动病理解决方案发展。
引用
@article{arxiv.2501.15724,
title = {A Survey on Computational Pathology Foundation Models: Datasets, Adaptation Strategies, and Evaluation Tasks},
author = {Dong Li and Guihong Wan and Xintao Wu and Xinyu Wu and Ajit J. Nirmal and Christine G. Lian and Peter K. Sorger and Yevgeniy R. Semenov and Chen Zhao},
journal= {arXiv preprint arXiv:2501.15724},
year = {2025}
}