AdaFusion：基于自适应融合的路径学基础模型提示导引推理

路径学基础模型（PFMs）通过在大规模无标注组织病理图像数据集上进行自监督预训练，展现出强大的表示能力。然而，这些模型的多样化且不透明的预训练背景——受数据相关因素和结构/训练因素的影响——引入潜在偏见，阻碍了下游应用的可扩展性和透明性。本文提出 AdaFusion，一种 novel 的提示导引推理框架，鉴于我们所知的是首次动态整合来自多个 PFMs 的互补知识。我们的方法压缩并对齐来自不同模型的瓦片级特征，并采用轻量级注意力机制根据组织表型上下文自适应地融合它们。在三个真实世界基准（治疗反应预测、肿瘤分级、空间基因表达推断）上进行评估，我们的方法在分类和回归任务中均一致优于单个 PFMs，同时为每个模型的 biosemantic 专长提供了可解释见解。这些结果凸显了 AdaFusion 在桥接异构 PFMs 方面的能力，实现了提升性能和解释性的模型特定归纳偏见。