足迹引导的无范例持续组织病理学报告生成
计算机视觉与模式识别
2026-03-02 v1
摘要
视觉-语言建模的快速发展使得从千兆像素全切片图像生成病理报告成为可能，但大多数方法假设静态训练，即同时访问所有数据。然而，在临床部署中，新的器官、机构和报告规范会随着时间的推移而出现，顺序微调可能导致灾难性遗忘。我们提出了一种用于全切片图像到报告生成的无范例持续学习框架，该框架避免了存储原始切片或补丁范例。其核心思想是在冻结的补丁嵌入空间中构建一个紧凑的领域足迹：一个包含代表性形态学标记的小型码本，以及切片级共现摘要和轻量级补丁计数先验。这些足迹通过合成反映特定领域形态学混合的伪全切片图像表示来支持生成式回放，同时教师快照提供伪报告以监督更新后的模型，而无需保留过去的数据。为了解决不断变化的报告规范，我们将特定领域的语言特征提炼为紧凑的风格描述符，并用其来引导生成。在推理时，模型直接从切片信号中识别最兼容的描述符，从而无需显式领域标识符即可实现领域无关的设置。在多个公开的持续学习基准上的评估表明，我们的方法优于无范例和有限缓冲区回放基线，凸显了基于足迹的生成式回放作为在不断演变的临床环境中部署的实用解决方案的价值。
引用
@article{arxiv.2602.23817,
title = {Footprint-Guided Exemplar-Free Continual Histopathology Report Generation},
author = {Pratibha Kumari and Daniel Reisenbüchler and Afshin Bozorgpour and yousef Sadegheih and Priyankar Choudhary and Dorit Merhof},
journal= {arXiv preprint arXiv:2602.23817},
year = {2026}
}