在多中心数据集上对组织病理基础模型进行基准测试：用于皮肤癌亚型分类
计算机视觉与模式识别
2025-07-22 v1 人工智能
摘要
在大规模、领域内数据集上预训练可赋予组织病理基础模型（FM）学习任务无关数据表示的能力，增强其在下游任务上的迁移学习。在计算病理学中，自动全切片图像分析需要由于切片尺寸为吉像素级而使用多个实例学习（MIL）框架。组织病理FM的多样性凸显了设计评估其有效性的真实世界挑战的必要性。为弥合这一差距，我们的工作提出了一种新型基准，用于评估组织病理FM作为patch级特征提取器在MIL分类框架中的效果。为此，我们利用AI4SkIN数据集，该数据集涵盖具有挑战性皮肤转移细胞亚型切片。我们还定义了基础模型-剪影指数（FM-SI），以衡量模型对分布偏移的一致性。我们的实验表明，提取较少偏差的特征可增强分类性能，尤其是在基于相似性的MIL分类器中。
引用
@article{arxiv.2506.18668,
title = {Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping},
author = {Pablo Meseguer and Rocío del Amor and Valery Naranjo},
journal= {arXiv preprint arXiv:2506.18668},
year = {2025}
}
备注
Accepeted for oral presentation at Medical Image Understanding and Analysis (MIUA) 2025