面向全切片图像分类的病理特征提取器基准评测

弱监督全切片图像分类是计算病理学中的一项关键任务，其目标是从构成切片的一组图像块中预测切片级标签。构建解决该任务的模型涉及多种设计选择，这些选择往往缺乏稳健的经验或确凿的理论依据。为此，我们对特征提取器进行了全面基准评测，以回答三个关键问题：1) 染色归一化是否仍是必要的预处理步骤？2) 哪些特征提取器最适用于下游切片级分类？3) 放大倍数如何影响下游性能？我们的研究构成了迄今为止对公开可用病理特征提取器最全面的评估，涉及14种特征提取器、9项任务、5个数据集、3种下游架构、2个放大倍数水平以及多种预处理设置下的逾10,000次训练运行。我们的发现挑战了现有假设：1) 我们通过经验观察及潜空间分析发现，跳过染色归一化与图像增强并不会降低性能，同时显著减少了内存与计算需求。2) 我们提出了一种新颖的评估指标来比较相对下游性能，并表明特征提取器的选择是下游性能最具决定性的因素。3) 我们发现较低放大倍数的切片已足以实现准确的切片级分类。与以往的块级基准研究不同，我们的方法通过聚焦于弱监督设定下带外部验证队列的切片级生物标志物预测任务，强调了临床相关性。我们的发现有望通过最小化预处理需求并指导特征提取器的选择，来简化数字病理学工作流。