EvalBlocks: A Modular Pipeline for Rapidly Evaluating Foundation Models in Medical Imaging
计算机视觉与模式识别
2026-04-02 v2 机器学习
摘要
开发医学影像领域的基础模型需要持续监控下游性能。研究人员往往依赖手动工作流程来跟踪大量实验、设计选择及其对性能的影响，这些工作流程本质上缓慢且容易出错。我们引入 EvalBlocks，一个模块化、即插即用的框架，用于高效评估基础模型的开发过程。基于 Snakemake，EvalBlocks 支持 seamless 集成新的数据集、基础模型、聚合方法和评估策略。所有实验和结果都集中跟踪，并通过单个命令即可实现可重复性；同时，通过高效缓存和并行执行，支持在共享计算设施上进行大规模使用。在五个最先进的基础模型和三个医学影像分类任务上进行演示，EvalBlocks 简化了模型评估，使研究人员能够更快地迭代，专注于模型创新而非评估事务。该框架已作为开源软件发布于 https://github.com/DIAGNijmegen/eval-blocks。
引用
@article{arxiv.2601.03811,
title = {EvalBlocks: A Modular Pipeline for Rapidly Evaluating Foundation Models in Medical Imaging},
author = {Jan Tagscherer and Sarah de Boer and Lena Philipp and Fennie van der Graaf and Dré Peeters and Joeran Bosma and Lars Leijten and Bogdan Obreja and Ewoud Smit and Alessa Hering},
journal= {arXiv preprint arXiv:2601.03811},
year = {2026}
}
备注
Accepted and published in BVM 2026 proceedings (Springer)