基于基础模型的集成学习在精准肿瘤学中的应用
计算机视觉与模式识别
2025-08-25 v1
摘要
组织病理学是疾病诊断和治疗决策的关键环节。近期人工智能(AI)的进展推动了从大规模全切片图像(WSI)中学习丰富视觉表征的病理基础模型的开发。然而，现有模型常在不同数据集上以差异化策略进行训练，导致性能不一致且通用性受限。本文引入ELF(Ensemble Learning of Foundation models)，一种新型框架，集成五种最先进的病理基础模型，生成统一的切片级表征。该模型在53,699个覆盖20个解剖部位的WSI上训练，利用集成学习捕获来自多样化模型的互补信息，保持高数据效率。不同于传统切块级模型，ELF的切片级架构在数据有限的临床场景（如治疗反应预测）中尤为有优势。我们在广泛的临床应用中评估了ELF，包括疾病分类、生物标志物检测以及对多种癌症的化疗、靶向治疗和免疫治疗反应预测。ELF在所有组成基础模型和现有切片级模型中均表现出优异的准确率和鲁棒性。我们的结果凸显了病理基础模型集成学习的潜力，表明ELF是推动AI辅助精准肿瘤学发展的可扩展且通用性强的解决方案。
引用
@article{arxiv.2508.16085,
title = {Ensemble learning of foundation models for precision oncology},
author = {Xiangde Luo and Xiyue Wang and Feyisope Eweje and Xiaoming Zhang and Sen Yang and Ryan Quinton and Jinxi Xiang and Yuchen Li and Yuanfeng Ji and Zhe Li and Yijiang Chen and Colin Bergstrom and Ted Kim and Francesca Maria Olguin and Kelley Yuan and Matthew Abikenari and Andrew Heider and Sierra Willens and Sanjeeth Rajaram and Robert West and Joel Neal and Maximilian Diehn and Ruijiang Li},
journal= {arXiv preprint arXiv:2508.16085},
year = {2025}
}
备注
A conceptual evaluation work; more studies are in progress; examples are here (https://github.com/lilab-stanford/ELF)