Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios

要約

計算病理学では、最近いくつかの基礎モデルが登場し、病理学画像を分析するための学習機能の強化が実証されました。
ただし、これらのモデルをさまざまな下流タスクに適応させることは、特に、さまざまなソースや取得条件からのデータセット、およびデータの可用性が限られている場合には依然として困難です。
この研究では、14 のデータセットにわたる 4 つの病理学固有の基礎モデルと、多様な適応シナリオと下流タスクに対処する 2 つのシナリオ (一貫性評価と柔軟性評価) のベンチマークを行います。
5 つの微調整手法を含む一貫性評価シナリオでは、パラメーター効率の高い微調整アプローチが、同じ下流タスク内の多様なデータセットに病理学固有の基礎モデルを適応させるのに効率的かつ効果的であることがわかりました。
データが制限された環境下での柔軟性評価シナリオでは、5 つの少数ショット学習手法を利用し、テスト段階でのみ変更を行う少数ショット学習手法の方が基礎モデルに大きなメリットをもたらしたことが観察されました。
これらの発見は、実際の臨床現場で病理特有の基礎モデルを展開するための指針となる洞察を提供し、病理画像解析の精度と信頼性を向上させる可能性があります。
この研究のコードは、https://github.com/QuIIL/BenchmarkingPathologyFoundationModels で入手できます。

要約(オリジナル)

In computational pathology, several foundation models have recently emerged and demonstrated enhanced learning capability for analyzing pathology images. However, adapting these models to various downstream tasks remains challenging, particularly when faced with datasets from different sources and acquisition conditions, as well as limited data availability. In this study, we benchmark four pathology-specific foundation models across 14 datasets and two scenarios-consistency assessment and flexibility assessment-addressing diverse adaptation scenarios and downstream tasks. In the consistency assessment scenario, involving five fine-tuning methods, we found that the parameter-efficient fine-tuning approach was both efficient and effective for adapting pathology-specific foundation models to diverse datasets within the same downstream task. In the flexibility assessment scenario under data-limited environments, utilizing five few-shot learning methods, we observed that the foundation models benefited more from the few-shot learning methods that involve modification during the testing phase only. These findings provide insights that could guide the deployment of pathology-specific foundation models in real clinical settings, potentially improving the accuracy and reliability of pathology image analysis. The code for this study is available at: https://github.com/QuIIL/BenchmarkingPathologyFoundationModels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google