面向组织病理学的自监督模型的领域特定优化与多样化评估

组织病理学中的任务特定深度学习模型为改善诊断、临床研究和精准医疗提供了广阔前景。然而，此类模型的开发常受限于高质量数据的可用性。组织病理学中的基础模型在多种组织类型、诊断和放大倍数下学习通用表征，有望减少开发达到所需性能水平的任务特定深度学习模型所需的数据、计算和技术专长。在本工作中，我们描述了通过自监督学习（SSL）开发和评估组织病理学基础模型的过程。我们首先建立了一组涉及17种独特组织类型和12种独特癌症类型、并涵盖不同最优放大倍数和任务类型的多样化基准任务。接下来，我们利用该基准探索和评估组织病理学特定的SSL方法，并在留出的块级和弱监督任务上进一步评估。我们发现，经过深思熟虑地应用于组织病理学图像的标准SSL方法在我们的基准任务上表现良好，且领域特定的方法学改进可进一步提升性能。我们的发现强化了在病理学中采用领域特定SSL方法的价值，并建立了一组高质量基础模型以支持跨多样应用的进一步研究。