探索面向细胞学分类的基础模型微调

细胞学切片是诊断和分期癌症的重要工具，但其分析耗时且成本高昂。基础模型显示出巨大的潜力来协助完成此类任务。本文探索了如何将现有的基础模型应用于细胞学分类。更具体地，我们专注于低秩适应，这是一种适用于少样本学习的参数高效微调方法。我们在四个细胞学分类数据集上评估了五个基础模型。我们的结果表明，使用LoRA对预训练主干网络进行微调，显著优于仅微调分类器头，能够在简单和复杂分类任务上实现状态突破，同时需要更少的数据样本。