组织病理学基础模型能否消除批次效应？一项比较研究

深度学习在计算组织病理学领域取得了显著进展，例如在诊断、生物标志物预测和预后评估方面。然而，标注数据的缺乏以及批次效应——如不同医院之间系统性的技术数据差异——阻碍了模型的鲁棒性和泛化能力。近期的组织病理学基础模型——在数百万至数十亿张图像上预训练——已被报告在各种下游任务上改善了泛化性能。然而，尚未系统地评估它们是否完全消除了批次效应。本研究从经验上证明，基础模型的特征嵌入仍然包含不同的医院特征签名，可能导致有偏预测和误分类。我们进一步发现，这些签名不会被染色归一化方法移除，在特征空间中主导距离，并在各主成分中均有体现。我们的工作为医学基础模型的评估提供了新视角，为更鲁棒的预训练策略和下游预测器铺平道路。