面向先进计算病理学的多基石模型统一框架

基石模型通过从大型组织学数据集中学习可迁移的视觉表征，已在计算病理学领域取得显著进展，但由于训练数据构成差异和依赖专有数据集而无法累计扩展，其性能在不同任务之间存在较大差异。现有通过离线蒸馏组合基石模型的 Efforts 只能部分缓解此问题，但需要专用的蒸馏数据和重复的重新训练才能整合新模型。本文提出了 Shazam，一款在线集成模型，通过自适应组合多个预训练病理基石模型于统一且可扩展的表示学习范式中。我们的发现表明，通过自适应专家加权和在线蒸馏融合多级特征，可在无需额外预训练的情况下高效整合各模型的互补优势。在空间转录组预测、生存预后、切片级别分类和视觉问答等任务中，Shazam 均一致优于强大的单个模型，证明了在线模型集成为推进计算病理学提供了实用且可扩展的策略。