下游网络在数字病理基础模型中的重要性
计算机视觉与模式识别
2024-08-05 v3
摘要
数字病理通过分析十亿像素级全切片图像（WSI）显著推进了疾病检测与病理医生效率。在此过程中，WSI 首先被划分为图块，对图块应用特征提取器模型以获得特征向量，随后由聚合模型处理以预测相应的 WSI 标签。随着表示学习的快速发展，众多新的特征提取器模型（常被称为基础模型）不断涌现。传统评估方法依赖于静态的下游聚合模型设置，包含固定的架构与超参数，我们指出这种做法可能对结果产生偏倚。我们的研究揭示了特征提取器模型对聚合模型配置的敏感性，表明性能可比性会因所选配置而失真。考虑到这一敏感性，我们发现许多当前特征提取器模型的性能显著相似。我们通过跨三个不同数据集、采用 162 种不同聚合模型配置评估七个特征提取器模型来支持这一见解。这种全面的方法提供了对特征提取器针对各种聚合模型配置敏感性的更细致理解，从而实现对数字病理中新基础模型更公平且更准确的评估。
引用
@article{arxiv.2311.17804,
title = {The Importance of Downstream Networks in Digital Pathology Foundation Models},
author = {Gustav Bredell and Marcel Fischer and Przemyslaw Szostak and Samaneh Abbasi-Sureshjani and Alvaro Gomariz},
journal= {arXiv preprint arXiv:2311.17804},
year = {2024}
}