能否简化病理学基础模型的切片级微调？
计算机视觉与模式识别
2025-03-03 v1
摘要
计算病理学中基础模型的出现已彻底改变了组织病理学图像分析，其中全切片成像（WSI）诊断是一个核心应用。传统上，通过多示例学习（MIL）进行弱监督微调一直是将基础模型适配到 WSI 的主要方法。然而，在本工作中我们提出了一个关键的实验发现：一种结合均值池化和多层感知机的简单非线性映射策略（称为 SiMLP），无需复杂的基于 MIL 的学习，即可有效地将块级基础模型适配到切片级任务。通过在多种下游任务中进行的大量实验，我们证明了 SiMLP 与现有最先进方法相比的优越性能。例如，在大规模泛癌分类任务中，SiMLP 超越了流行的基于 MIL 的方法 3.52%。此外，SiMLP 在少样本分类中展现出强大的学习能力，并在与基于数万张切片预训练的切片级基础模型相比时保持高度竞争力。最后，SiMLP 在肺癌亚型分类中表现出显著的鲁棒性和可迁移性。总体而言，我们的发现挑战了传统的基于 MIL 的微调范式，表明仅凭任务无关的表示策略即可有效地将基础模型适配到 WSI 分析。这些见解为数字病理学的未来研究提供了独特且有意义的视角，为更高效、更广泛适用的方法论铺平了道路。
引用
@article{arxiv.2502.20823,
title = {Can We Simplify Slide-level Fine-tuning of Pathology Foundation Models?},
author = {Jiawen Li and Jiali Hu and Qiehe Sun and Renao Yan and Minxi Ouyang and Tian Guan and Anjia Han and Chao He and Yonghong He},
journal= {arXiv preprint arXiv:2502.20823},
year = {2025}
}
备注
11 pages, 3 figures, 4 tables