基础模型在计算病理学整张切片图像检索中的价值评估：与图块级及受监督聚合基线的对比研究

《npj Digital Medicine》：Multi-institutional pan-cancer validation of pathology foundation models for whole-slide image retrieval using TCGA

　　基础模型正在重塑计算组织病理学，但与强大的基于图块的检索和受监督聚合基线相比，其在整张切片图像检索方面的价值仍不明确。我们在来自癌症基因组图谱（TCGA）的9387张诊断切片上评测了十种检索流水线，涵盖17个器官和60种诊断，并在每个器官内采用按患者留一法进行评价（纵向检索），从而将细粒度亚型鉴别与器官识别分离开来。方法包括四种预训练切片基础模型、一种在图块嵌入上训练的受监督注意力多实例学习（ABMIL）聚合器，以及图块级检索。性能在不同器官和诊断之间的差异大于在不同模型架构之间的差异。尽管TITAN取得了整体最强的结果，但其优势并不明显：ABMIL——一种在TCGA内部训练的受监督聚合器，作为分布内参考被纳入——以及基于图块的方法在Top-1和Top-3性能上达到了相当的水平，没有模型持续占据主导地位。形态学上显著独特的实体接近天花板级性能，而稀有且密切相关的亚型仍然难以检索。性能主要由图块级特征表示驱动；在本基准测试中，聚合在强大的图块表示之外提供的额外收益有限。即便是表现最好的模型，在TCGA上的检索准确率也仅为约68% ± 21%，多个亚型低于50%，部分甚至为0%，这凸显了基于形态学表示的局限性，以及在进行可靠临床部署之前需要取得实质性进展的必要性。