面向疾病表征增强的病理学基础模型信息驱动融合

基础模型（FMs）在各种病理学任务中展现出了强大的性能。尽管FMs的预训练目标存在相似性，但对其互补性、嵌入空间中的冗余性或特征的生物学解释仍缺乏了解。在本研究中，我们提出了一种信息驱动的智能融合策略，将多个病理学FMs整合为统一的表示，并系统评估了其在三种不同疾病中的癌症分级和分期性能。来自肾脏（519张切片）、前列腺（490张切片）和直肠（200张切片）癌症的诊断性H&E全切片图像被二分为低级别与高级别或低分期与高分期。考虑了切片级FMs（Conch v1.5, MUSK, Virchow2, H-Optimus1, Prov-Gigapath）和切片级FMs（TITAN, CHIEF, MADELEINE）来训练下游分类器。然后，我们在切片级和切片级评估了三种FM融合方案：多数投票集成、朴素特征拼接以及基于冗余特征相关性引导剪枝的智能融合。在带有留出测试的患者分层交叉验证下，与最佳单一FMs和朴素融合相比，切片级嵌入的智能融合在所有三种癌症的分类性能上均产生了一致的提升。全局相似性指标显示FM嵌入空间存在显著对齐，而局部邻域一致性较低，表明FMs之间具有互补的细粒度信息。注意力图显示，智能融合在肿瘤区域产生了集中的注意力，同时减少了对良性区域的虚假关注。我们的发现表明，病理学FMs的智能、相关性引导融合可以产生紧凑的、任务定制化的表示，从而增强下游计算病理学任务的预测性能和可解释性。