基于统一知识蒸馏框架的通用病理学基础模型(GPFM)构建与评估

来自国内的研究团队针对计算病理学(CPath)基础模型泛化能力不足的问题，创新性提出融合专家知识蒸馏与自蒸馏的统一框架，开发出通用病理学基础模型(GPFM)。该模型在涵盖72项任务的综合评测中平均排名1.6，在42项任务中位列第一，为临床病理诊断提供了更优的特征表征方法。

　　

在计算病理学(Computational Pathology, CPath)领域，基础模型的泛化能力直接影响其临床应用价值。现有研究存在明显局限：模型仅在有限任务类型中进行验证，难以全面评估其真实性能。为此，研究者们建立了包含6大类72项临床任务的综合评测体系，发现当前模型虽在部分任务表现优异，但整体泛化能力不足。

为解决这一瓶颈，研究团队创新设计双轨知识蒸馏框架：通过专家知识蒸馏(Expert Knowledge Distillation)整合多专家模型智慧，结合自蒸馏(Self-Distillation)实现局部-全局图像表征对齐。基于该框架开发的通用病理学基础模型(Generalizable Pathology Foundation Model, GPFM)展现出卓越性能——在综合评测中平均排名达1.6^th，42项任务夺冠。这项突破为计算病理学提供了更强大的特征提取工具，推动人工智能辅助诊断向全场景临床应用迈进。