arXiv cs.AI· Dibaloke Chanda, Praveen Madiraju·· 14 小时前AI 评分23
MOSAIC：迈向计算病理基础模型的通用潜在空间
MOSAIC: Towards a Universal Latent Space for Computational Pathology Foundation Models
AI 导读
MOSAIC 系统研究了 12 个 patch 级和 6 个 slide 级病理基础模型（PFM）的潜在空间相似性、对齐与互操作性，并评估多种对齐策略能否将独立学习的表征映射到共同潜在空间。研究通过跨模型一致性、检索、几何保持及分子与形态预测任务上的下游多实例学习进行评测，探索异构 PFM 能否从表征相似走向共享且可功能迁移的病理表征空间。代码与基准已公开，成果被 WACV 2027 接收。
正文 · AI 翻译
摘要：病理基础模型（PFM）在架构、预训练目标、训练数据和表示维度上存在显著差异，但它们学习到的是根本不同的特征空间，还是同一潜在表示的替代坐标系，目前仍不清楚。我们提出 MOSAIC，对 12 个 patch 级和 6 个 slide 级 PFM 的潜在空间相似性、对齐和互操作性进行系统研究。我们首先使用互补的相似性度量量化表示一致性，并分析架构、预训练目标、网络深度和放大倍数如何影响潜在几何。随后，我们评估多种对齐策略，将独立学习到的表示映射到公共潜在空间。所得表示通过跨模型一致性、检索、几何保持以及跨分子和形态预测任务的下游多实例学习进行评估。MOSAIC 提供了一个统一框架，用于研究异构 PFM 能否超越表示相似性，迈向共享且功能可迁移的病理表示空间。我们的代码、基准和额外结果可在 此 https URL 获取。
| 评论： | 已被 WACV 2027 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33059 [cs.CV] |
| （或 arXiv:2610.33059v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33059 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Dibaloke Chanda [查看电子邮件]
[v1]
2026 年 10 月 19 日星期一 10:19:47 UTC（3,041 KB）
来源：arXiv cs.AI · arxiv.org