StainNet: 用于计算病理学的免疫组织化学和特殊染色自监督基础模型规模化
计算机视觉与模式识别
2026-02-05 v2
摘要
基于自监督学习（SSL）在大规模组织病理学图像上训练的基础模型显著加速了计算病理学的发展。这些模型可作为感兴趣区域（ROI）图像分析的后端，或作为基于多实例学习（MIL）的全切片图像（WSI）中逐块特征提取器。现有的病理学基础模型（PFMs）通常在海马精酸-伊红（H&E）染色的病理图像上预训练。然而，免疫组织化学（IHC）和特殊染色图像在临床实践中也经常使用。主要在H&E染色图像上预训练的PFMs可能在涉及这些非H&E图像的临床应用中受到限制。为解决此问题，我们提出了StainNet，一组专门针对病理图像中IHC和特殊染色的自监督基础模型，基于视觉Transformer（ViT）架构。StainNet包含一个ViT-Small和一个ViT-Base模型，均使用自蒸馏SSL方法在HISTAI数据库中超过140万张从20,231个公开可用的IHC和特殊染色WSI中提取的块图像上进行训练。为评估StainNet模型，我们在三个内部切片级IHC分类任务、三个内部ROI级特殊染色任务和两个公开ROI级IHC分类任务上进行了实验，以展示其强大能力。我们还进行了消融研究，如少量比例学习和检索评估，并将StainNet模型与近期更大的PFMs进行比较以进一步突出其优势。StainNet模型权重可在https://github.com/WonderLandxD/StainNet获取。
引用
@article{arxiv.2512.10326,
title = {StainNet: Scaling Self-Supervised Foundation Models on Immunohistochemistry and Special Stains for Computational Pathology},
author = {Jiawen Li and Jiali Hu and Xitong Ling and Yongqiang Lv and Yuxuan Chen and Yizhi Wang and Tian Guan and Yifei Liu and Yonghong He},
journal= {arXiv preprint arXiv:2512.10326},
year = {2026}
}
备注
26 pages, 7 figures, 10 tables