扫描器诱导的域漂移削弱了病理基础模型的鲁棒性
图像与视频处理
2026-01-08 v1 计算机视觉与模式识别
机器学习
摘要
病理基础模型 (PFM) 已成为计算病理学的核心部分，旨在为从全尺度组织片图像 (WSI) 提取特征提供通用编码器。尽管在基准测试上表现优异，但 PFMs 对现实世界技术域漂移（如来自全尺度扫描仪器器官的变异性）的鲁棒性仍不为人知。我们系统评估了 14 种 PFMs 对扫描器引起的变异性的鲁棒性，包括最新模型、较早的自监督模型以及在自然图像上训练的基线模型。我们使用来自 5 台设备扫描的 384 例乳腺癌 WSIs 的多扫描仪数据集，独立于生物学和实验混合因素隔离扫描器效应。通过互补的无监督嵌入分析和一组 clinicopathological 监督预测任务评估鲁棒性。我们的结果表明，当前 PFMs 对扫描器诱导的域漂移并不具备不变性。大多数模型在其嵌入空间中编码出显著的扫描器特异性变异性。虽然 AUC 通常保持稳定，但这掩盖了一个关键失效模式：扫描器变异性系统性地改变嵌入空间并影响下游模型预测的校准，导致扫描器依赖性偏差，可能影响临床应用中的可靠性。我们进一步表明鲁棒性并非训练数据规模、模型大小或模型最新性的简单函数。没有任何模型在面对扫描器诱导的变异性时都能提供可靠的鲁棒性。虽然在最具多样性的数据（此处表示为视觉-语言模型）上训练的模型在鲁棒性方面似乎占据优势，但在下游监督任务上表现不佳。我们得出结论，PFM 的开发和评估需要超越以准确率为中心的基准测试，转向对嵌入稳定性和校准在现实获取变异性下的显式评估和优化。
引用
@article{arxiv.2601.04163,
title = {Scanner-Induced Domain Shifts Undermine the Robustness of Pathology Foundation Models},
author = {Erik Thiringer and Fredrik K. Gustafsson and Kajsa Ledesma Eriksson and Mattias Rantalainen},
journal= {arXiv preprint arXiv:2601.04163},
year = {2026}
}