面向乳腺癌生存预测的病理基础模型基准测试
计算机视觉与模式识别
2026-04-28 v1 机器学习
摘要
病理基础模型（PFMs）最近作为计算病理的强大预训练编码器涌现出来，使其能够实现跨广泛下游任务的迁移学习。然而，针对临床有意义预测问题的系统性比较仍有限，尤其是在生存预测的外部验证背景下。本研究对广泛使用的和近期提出的 PFMs 进行乳腺癌生存预测基准测试。我们基于基于补片级别特征提取和统一的生存建模框架的标准化管道，评估模型在三个独立临床队列中表示，其中包括5400多名长期随访的患者。模型在一个队列上训练，在两个独立的外部队列上评估，从而对跨数据集的泛化性进行严格评估。总体而言，H-optimus-1 实现了最强的生存预测性能。更广泛地观察到，模型家族中代际改进是持续的，第二代 PFMs 在性能上优于其第一代 counterparts。然而，许多近期 PFMs 之间的绝对性能差异仍有限，这表明仅靠进一步扩大预训练数据或模型规模难以获得显著提升。值得注意的是，紧凑的蒸馏模型 H0-mini 虽然参数不足其更大教师模型 H-optimus-0 的8%，但在特征提取速度上显著更快，同时在生存预测性能上略胜一筹。就乳腺癌生存预测而言，这是首个大规模、经外部验证的 PFMs 基准测试，为在临床工作流程中高效部署 PFMs 提供了实用指导。
引用
@article{arxiv.2604.24679,
title = {Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction},
author = {Fredrik K. Gustafsson and Constance Boissin and Johan Vallon-Christersson and David A. Clifton and Mattias Rantalainen},
journal= {arXiv preprint arXiv:2604.24679},
year = {2026}
}