超越 H&E 与肿瘤学：组织病理学基础模型在多染色 IHC 与免疫学中表现如何？
计算机视觉与模式识别
2024-10-30 v1 人工智能
定量方法
组织与器官
摘要
本研究评估了最先进的组织病理学基础模型在分布外多染色自身免疫免疫组织化学数据集上的泛化能力。我们在类风湿关节炎亚型和干燥综合征检测任务上比较了 13 个特征提取器模型，包括 ImageNet 预训练网络以及在公共和专有数据上训练的组织病理学基础模型。使用一个简单的基于注意力的多实例学习分类器，我们评估了从癌症 H&E 图像到自身免疫 IHC 图像所学表示的可迁移性。与预期相反，组织病理学预训练模型并未显著优于 ImageNet 预训练模型。此外，有证据表明存在自身免疫特征误解和有偏的特征重要性。我们的发现强调了从癌症向自身免疫组织病理学转移知识的挑战，并强调需要在不同组织病理学任务中仔细评估 AI 模型。运行此基准测试的代码可在 https://github.com/AmayaGS/ImmunoHistoBench 获取。
引用
@article{arxiv.2410.21560,
title = {Going Beyond H&E and Oncology: How Do Histopathology Foundation Models Perform for Multi-stain IHC and Immunology?},
author = {Amaya Gallagher-Syed and Elena Pontarini and Myles J. Lewis and Michael R. Barnes and Gregory Slabaugh},
journal= {arXiv preprint arXiv:2410.21560},
year = {2024}
}
备注
Accepted at Workshop on Advancements In Medical Foundation Models (NeurIPS 2024)