研究揭示病理基础模型的中心偏差会向全切片预测传播
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
病理基础模型（PFMs）虽能提供强表征用于全切片图像（WSI）分类，但也可能编码与采集中心相关的非生物信号，在下游预测中引入虚假捷径。研究在类别与中心相关性递增的受控设定下，评测了6种PFMs在4个数据集及2种多实例学习（MIL）聚合器上的表现，并引入AUCC指标综合衡量绝对性能及其随伪相关增加的退化。结果显示，PFMs编码的中心信息会传播至WSI级预测，鲁棒性取决于PFM表征与MIL聚合策略；ComBat协调化未在各数据集上带来一致的鲁棒性提升。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载中心偏差传播机制
病理基础模型通过表征学习转化计算病理学，为全切片图像分析提供丰富特征，支撑多实例学习下的切片级分类等任务。然而，这些表征可能同时编码与图像采集中心相关的非生物信号。此类信号会在下游预测中引入虚假捷径，导致模型性能受数据源偏差影响。研究证实，PFMs编码的中心相关信息确实会进一步传播至WSI级别的预测结果中。
评测设定与AUCC指标
为量化中心偏差影响，研究构建了类别与中心相关性递增的受控训练设定，并用Cramér's V量化该相关性。评测覆盖6种PFMs、4个数据集及2种MIL聚合器。同时，研究引入Cramér's V曲线下面积（AUCC）这一新指标，旨在联合捕获模型的绝对分类性能，以及该性能随着伪相关程度增加而产生的退化情况。
鲁棒性影响因素与ComBat效果
实验结果表明，WSI级预测对中心偏差的鲁棒性并非固定，而是同时取决于所选的PFM表征方式与MIL聚合策略。此外，研究评估了ComBat作为一种鲁棒化策略的效果，发现其并未在所有数据集上提供一致的鲁棒性增益，表明现有去偏方法在应对病理基础模型中心偏差时存在局限性。
为什么值得看
揭示病理大模型下游预测受数据源偏差影响的机制，对提升医疗AI泛化能力有直接参考价值。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。