通过跨放大蒸馏构建病理组织学基础模型
计算机视觉与模式识别
2026-03-13 v3
摘要
基础模型(FM)已在计算病理学中实现变革，但因参数规模庞大且高放大率处理需求，仍难以在临床部署中落地。本文提出 XMAG，一种通过跨放大蒸馏实现的轻量级 FM，将知识从采用 20x 放大率的领先教师模型迁移到高效 5x 放大率学生架构。XMAG 采用紧凑 backbone，完全在 5x 运行，仅需相较于现有方法的 11.3 倍少用每张全切片图像(WSI)的 patch 数量。我们新evelop的蒸馏框架包含双层知识传输，同时对齐全局图像表示和局部空间 token 映射。我们在 349 万张公开数据集上训练 XMAG，并在覆盖多种癌症类型的六个临床相关组织学分析任务上进行评估。XMAG 在诊断准确率上仅略低于规模更大的基础模型 1%，同时实现 30 倍的处理加速，达到每分钟 8.8 张 WSI 的处理速度。我们的跨机构验证确认了其强大的泛化能力。进一步，我们开发了端到端训练策略进一步提升模型性能，接近更大的 FM 水平。这些结果确立了跨放大蒸馏作为在资源受限临床环境中部署 FM 能力的可行路径， potentially 实现病理 AI 实时集成。
引用
@article{arxiv.2509.23097,
title = {Streamline pathology foundation model by cross-magnification distillation},
author = {Ziyu Su and Abdul Rehman Akbar and Usama Sajjad and Anil V. Parwani and Muhammad Khalid Khan Niazi},
journal= {arXiv preprint arXiv:2509.23097},
year = {2026}
}