最小化不确定性提高数字病理学中的跨医院鲁棒性
计算机视觉与模式识别
2026-05-26 v1
摘要
病理学基础模型(PFMs)近年来取得了快速进展，支持训练各种组织病理任务的分类器。然而，它们在医院之间的数据鲁棒性仍有限：当在一个医院的数据上训练，在另一个目标医院上评估时，性能往往会下降。我们通过对PFMs进行微调，使用局部均值不确定性(LMMD)目标来解决这一挑战，该目标适用于两种设置：域适应(domain adaptation)，其中可获得无标签的目标医院数据；以及域泛化(domain generalization)，其中目标医院数据完全不可用。在补丁级别和切片级别的实验中，我们在多个PFMs和任务上都实现了一致的改进。
引用
@article{arxiv.2605.25175,
title = {Discrepancy Minimization Improves Cross-Hospital Robustness in Digital Pathology},
author = {Ben Vardi and Dana Schonberger and Yuval Friedmann and Zohar Yakhini and Iris Barshack and Alexander Loebel and Ariel Shamir},
journal= {arXiv preprint arXiv:2605.25175},
year = {2026}
}