Unlocking adaptive digital pathology through dynamic feature learning

foundation models 已彻底改变了数字病理学的范式，因为它们利用通用特征来模拟真实世界的病理实践，使对关键组织图案的定量分析成为可能，并剖析癌症特异性信号。然而，这些 static general features 限制了其在临床应用中持续演化的需求下的灵活性和病理相关性，阻碍了当前模型的广泛使用。本 work 引入 PathFiT，一种 dynamic feature learning 方法，可轻松插入 various pathology foundation models 以解锁其适应性。同时，PathFiT 在无论 downstream specificity 如何的情况下实现 seamless implementation。为了验证 PathFiT，我们构建了一个数字病理基准，包含超过 20 terabytes 的 Internet 和真实世界数据，包括 28 种 H&E 染色任务和 7 种 specialized imaging 任务，包括 Masson's Trichrome 染色和免疫荧光图像。通过将 PathFiT 应用于 representative pathology foundation models，我们在 34 项任务中实现了 state-of-the-art performance，在 23 项任务中取得显著改进，并在 specialized imaging 任务中超过 10.20%。PathFiT 的卓越性能和 versatility 为计算病理学开辟了新的道路。