掌握病理基石模型的连续放大抽样：跨尺度的鸿沟
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
在组织病理学中，病理学家既检查组织结构的低放大率，也检查细粒病理学在高放大率下的表现。然而，病理基石模型在不同放大率上的性能以及在训练期间的放大率抽样效应仍不明确。我们将放大率抽样建模为多源域适应问题，发展了一个简简单的理论框架，揭示了抽样策略之间的系统性权衡。我们表明，广泛使用的离散均匀抽样放大率 (0.25, 0.5, 1.0, 2.0 mpp) 导致在中间放大率上性能下降。我们引入连续放大率抽样，消除了放大率覆盖范围中的间隙，同时保持在标准尺度上的性能。进一步，我们推导了优化跨放大率尺度表示质量的抽样分布。为评估这些策略，我们引入了两个新的基准 (TCGA-MS, BRACS-MS) 并提供了适当的指标。我们的实验表明，连续抽样在中间放大率上的性能显著优于离散抽样，在平衡分类准确率上提升了最高可达 4 个百分点，优化的分布进一步提升性能。最后，我们评估了当前的病理基石模型，发现放大率是模型之间性能变异的主要驱动因素。我们的工作为未来的跨放大率可靠运行的病理基石模型铺平了道路。
引用
@article{arxiv.2601.02198,
title = {Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models},
author = {Alexander Möllers and Julius Hense and Florian Schulz and Timo Milbich and Maximilian Alber and Lukas Ruff},
journal= {arXiv preprint arXiv:2601.02198},
year = {2026}
}