跨站点肺组织病理分类需要同时处理染色差异、非IID客户端数据、类别缺失以及大模型适配成本。本文评估了 FedHisto-PAST v2 在腺癌（ACA）、正常组织（Normal）和鳞状细胞癌（SCC）三分类任务中的表现。
FedHisto-PAST v2 采用冻结的 HIBOU-B 基础模型，并通过参数高效适配层实现模型微调。核心技术包括染色条件的配对视图预测与特征一致性约束、可靠性感知的原型学习以及自适应的联邦聚合策略。
实验在五个客户端的非IID、原始数据本地模拟环境下进行，使用固定的内部评估集、客户端层面分析、组件消融、通信开销统计，并在开发影响下的 LungHist700 数据集上进行探索性验证。所有主要方法在内部评估上几乎达到上限，导致在固定划分上的区分度受限。
在 LungHist700 上，FedHisto-PAST v2 获得 Macro-F1 为 0.728560、平衡准确率为 0.730454。对 Normal 和 SCC 的识别率提升伴随 ACA 的召回下降，校准仍不理想。消融实验表明，仅预测层一致性在外部数据上表现出明确的独立贡献；特征一致性和原型正则化未显示出对 Macro-F1 的显著整体提升。模型仅更新了 1.253841% 的参数。
结果提供了染色感知、参数高效联邦学习的跨数据集探索性证据，但尚未建立正式的隐私保障、患者级独立性、前瞻部署或临床验证。
点评：该工作展示了在资源受限环境下通过少量参数适配实现跨站点病理分类的可行性，为后续的隐私安全和临床落地提供了技术参考。