EXAONE Path 2.0：面向数字组织学的端到端监督基础模型
计算机视觉与模式识别
2025-08-15 v2 人工智能
机器学习
摘要
在数字组织学中，整块组织片（whole-slide images, WSIs）因其百万像素规模而难以处理，故大多数方法通过自监督学习（SSL）训练切片编码器，然后通过多实例学习（MIL）或组织片编码器对切片级嵌入进行聚合，以解决下游任务。然而，切片级 SSL 可能忽略了对于生物标志物预测至关重要的复杂领域特定特征，例如突变状态和分子特征，由于 SSL 方法仅依赖于为自然图像域挑选的基本数据增强作用于小切片区域。此外，SSL 方法的数据效率较低，需要大量计算资源和数据集才能实现与全监督方法相当的性能。为此，本文提出 EXAONE Path 2.0，一种在直接组织片级监督下学习切片级表征的组织学基础模型。仅使用 3.7 万张 WSIs 进行训练，EXAONE Path 2.0 在 10 项生物标志物预测任务中实现了平均水平的领先性能，显示出卓越的数据效率。
引用
@article{arxiv.2507.06639,
title = {EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision},
author = {Myeongjang Pyeon and Janghyeon Lee and Minsoo Lee and Juseung Yun and Hwanil Choi and Jonghyun Kim and Jiwon Kim and Yi Hu and Jongseong Jang and Soonyoung Lee},
journal= {arXiv preprint arXiv:2507.06639},
year = {2025}
}
备注
EXAONE Path 2.0 technical report