摘要
全切片图像（WSIs）为计算病理学提供了丰富的诊断信息，但其巨量像素规模、染色变异、扫描仪差异、组织伪影以及专家标注的限制，使得模型训练变得极具挑战性。本文提出了一种名为ProsMAE的多源掩蔽自编码器（MAE）框架，用于组织病理表示学习。
ProsMAE的预训练使用了来自前列腺癌分级评估（PANDA）、2017年淋巴结癌转移挑战（CAMELYON17）和乳腺癌亚型分类（BRACS）的切片，以使编码器接触到多样的组织形态和采集条件。通过ProsCLS，将学习到的编码器转移用于国际泌尿病理学会（ISUP）等级分类，采用冻结编码器和线性分类头。ProsMAE在评估的PANDA拆分下，获得了比基础的冻结线性探测器更高的平均验证二次加权kappa（QWK）值。为了进一步确立在拆分组成中的稳健性，仍需进行重复拆分评估。
博主点评： ProsMAE的多源预训练策略有效提升了模型在处理复杂病理图像时的表现，显示了跨数据集学习的潜力。这种方法不仅为ISUP等级分类提供了新的思路，同时也为其他医疗图像分析任务奠定了基础。探索如何进一步增强模型的鲁棒性，将是未来研究的关键方向。