摘要
在兽医计算病理学的全切片图像（WSI）分类中，通常的做法是冻结一个在人类数据上预训练的病理基础模型作为切片编码器，然后在其上训练一个轻量的切片级聚合器。在共同协议下，聚合器的选择对小型犬队列是否有影响尚未被检验。在公开的 CATCH 数据集上（350 例犬皮肤肿瘤 WSI，七个亚型），我们比较了 14 种共享冻结的 Prov-GigaPath 切片嵌入、患者级五折划分和训练预算的聚合器：多种实例学习（MIL）池化方法（包括 ACMIL）、静态图和动态图神经网络（GNN，包括 WiKG），以及 GigaPath-DefGNN——一种我们适配到最多约 94,000 个切片点云上的坐标感知可变形图注意力聚合器。在保留测试集的所有 350 例 WSI 上汇总，这 14 种聚合器的平衡准确率范围为 0.889–0.960。GigaPath-DefGNN 使用最佳验证集检查点达到了 0.940（95% 置信区间 0.910–0.967），且与任何基线相比均无显著差异（精确 McNemar 检验，最小 Holm 校正后 p = 0.148）。其注意力图与病理学家肿瘤标注的一致性并不优于图注意力基线（中位皮尔逊相关系数 0.226 对 0.224）。验证集估计值比保留集平衡准确率高出最多 0.066，仅检查点选择规则就能使保留集准确率变化最多 0.037 并改变模型排名：GigaPath-DefGNN 在最佳验证选择下排名第八，在最新前三规则下排名第一，在使用相同配置重跑的最终权重下排名第二。在 20× 切片上重复主要比较并未改变这些结论；在图构建方法中，一个事后探索性变体（基于特征 k 近邻图的 GigaPath-DefGNN）排名最高。在本队列的冻结 Prov-GigaPath 特征上，评估设计的重要性与聚合器的选择相当。代码、划分方案以及逐 WSI 预测结果将公开提供。
