衡量病理基础模型：适应策略与情景
计算机视觉与模式识别
2024-10-22 v1
摘要
在计算病理学中，最近涌现出了多个基础模型并展示了增强的学习能力用于分析病理图像。然而，在面对来自不同来源和获取条件的数据集，以及数据有限的情况下，将这些模型适应到各种下游任务仍具有挑战性。本研究在 14 个数据集和两个情景——一致性评估和灵活性评估——上对四个病理学特定基础模型进行基准测试，以解决各种适应情景和下游任务。在一致性评估情景中涉及五种微调方法，我们发现参数高效微调方法在适应来自相同下游任务的不同数据集时既高效又有效。在灵活性评估情景下在数据有限的环境中，利用五种少样本学习方法，我们观察到基础模型从少样本学习方法中受益更多，这些方法仅在测试阶段进行修改。这些发现为在实际临床环境中部署病理学特定基础模型提供了见解， potentially improve the accuracy and reliability of pathology image analysis. 本研究的代码可在 https://github.com/QuIIL/BenchmarkingPathologyFoundationModels 获取。
引用
@article{arxiv.2410.16038,
title = {Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios},
author = {Jeaung Lee and Jeewoo Lim and Keunho Byeon and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2410.16038},
year = {2024}
}