THUNDER：面向组织片段病理图像的理解基准
计算机视觉与模式识别
2026-02-18 v3
摘要
在研究领域中，评估进展往往难以把握，尤其是当许多方法在短时间内陆续提出时。这一情况在数字病理学中尤为突出，近期涌现出众多基础模型，作为面向组织片段图像的特征提取器，被用于各种下游任务，既用于组织片段级问题，也用于组织片段级问题。在这种情况下，建立基准测试就至关重要，以便更清晰地把握研究格局。特别是在医疗保健等关键领域，基准测试不仅应关注下游性能评估，还应提供有关不同方法主要差异的见解，重要的是，还应进一步考虑不确定性和鲁棒性，以确保所提出模型的可靠使用。基于上述原因，我们引入了 THUNDER，这是一个面向数字病理学基础模型的组织片段级基准，允许高效比较众多模型在多样数据集上的表现，采用系列下游任务，研究其特征空间，评估其嵌入所 informing 的预测的鲁棒性和不确定性。THUNDER 是一个快速、易用且动态的基准，已可支持广泛的 state-of-the-art 基础模型，以及来自本地用户定义模型的直接组织片段级比较。本文提供了对 23 个基础模型在 16 个不同数据集上的全面比较，涵盖 diverse 任务、特征分析和鲁棒性。THUNDER 的代码已公开 available at https://github.com/MICS-Lab/thunder。
引用
@article{arxiv.2507.07860,
title = {THUNDER: Tile-level Histopathology image UNDERstanding benchmark},
author = {Pierre Marza and Leo Fillioux and Sofiène Boutaj and Kunal Mahatha and Christian Desrosiers and Pablo Piantanida and Jose Dolz and Stergios Christodoulidis and Maria Vakalopoulou},
journal= {arXiv preprint arXiv:2507.07860},
year = {2026}
}
备注
Accepted at NeurIPS 2025 Datasets and Benchmarks Track (Spotlight)