轻量级的自我监督的学习框架,用于在组织病理学领域的泛化
Abubakr Shafique1, Amanda Dy2, Xiaoli Qin2
1Department of Electrical, Computer and Biomedical Engineering, Toronto Metropolitan University, Toronto, ON, Canada. abubakr.shafique@torontomu.ca.
Scientific reports
|October 21, 2025
概括
组织病理学中的基础模型 (FMs) 是有前途的,但需要大量资源. HistoLite是一个轻量级的框架,可以实现高效的,域不变的学习,解决计算病理学的可访问性和概括性挑战.
科学领域:
- 组织病理学 组织病理学
- 计算病理学计算病理学
- 机器学习 机器学习
背景情况:
- 在广泛的遗传病理学数据集上训练的大型基础模型 (FMs) 显示了推进计算病理学的前景.
- FM可以弥合培训和测试数据集之间的领域差距,改善翻译机会.
- 然而,FM的计算和数据需求限制了其可访问性和广泛采用.
研究的目的:
- 介绍HistoLite,一种轻量级的自我监督学习框架,用于在组织病理学中进行域不变表示学习.
- 为了能够有效地学习通用和可转移的特征,克服大规模FM要求的局限性.
- 评估HistoLite在使用乳腺整体幻灯片图像 (WSIs) 的域概括中的性能,并与最先进的FM相比较.
主要方法:
- 开发了HistoLite,一个使用可定制自动编码器的自主监督学习框架.
- 从两个不同的平台扫描的相同组织幻灯片中策划了一个新的WSI数据集,以分析扫描器偏差.
- 使用新型指标 (稳定性指数) 评估的表示转移,并评估下游任务准确性.
主要成果:
- 大多数FM表现出对扫描器偏差的敏感性,通过嵌入差异和性能下降在域外数据上进行指示.
- 性能最好的FM (UNI,Virchow2,Prov-GigaPath) 很可能受到大型模型大小和训练数据集的青.
- 在域外数据上,HistoLite表现出较低的表示转移和最小的性能退化,分类准确度适度.
结论:
- 扫描器偏差在组织病理学中对FMs的现实世界部署构成了重大挑战.
- HistoLite提供了一个有前途的轻量级替代品,平衡计算病理学应用的概括性和准确性.
- 这些发现突出了模型大小,概括能力和组织病理学FMs的准确性之间的潜在权衡.
