arXiv cs.AI· Ming Ren Hou, Tianyi Huang·· 12 小时前AI 评分22
SlideRuler：用单张切片校准病理基础模型
One-Slide Calibration of Pathology Foundation Models
AI 导读
SlideRuler 利用同一张切片内的其他区域作为内部对照，预测查询区域的扫描仪偏移，仅凭单次扫描即可完成校准且保持基础模型冻结。在两个编码器和五台 SCORPION 扫描仪上，学习到的迁移映射将平均目标到源嵌入距离相对原始嵌入降低 16.3-38.5%。源锚定变体进一步将源特征位移相对学习迁移降低 47.7-83.6%，同时保留大部分对齐增益。
正文 · AI 翻译
摘要：扫描仪差异会改变病理基础模型对同一组织的表征方式。我们提出 SlideRuler，它利用同一张切片内的其他区域作为内部对照，来预测查询区域因扫描仪差异而产生的偏移。从配对重扫描中学习到的迁移图，使得推理时仅凭单次扫描即可完成校准，同时保持基础模型固定不变。在两种编码器和五台 SCORPION 扫描仪上，与原始嵌入相比，学习到的迁移将目标到源嵌入的平均距离降低了 16.3-38.5%。将对照区域替换为同一扫描仪下不相关的区域后，在全部四种评估设置（包括扫描仪留出）中均显示出正向的同切片贡献。与学习到的迁移相比，一种源锚定变体将源特征位移降低了 47.7-83.6%，同时保留了其大部分对齐增益。通过从切片本身获取校准信息，SlideRuler 为在不同成像系统间更一致地使用冻结的病理模型提供了一条路径。
| 评论： | 已被 NeurIPS 2026 Workshop AI at Scale for Clinical Impact (ASCI): Cancer Pathology Foundation Models 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:2610.08944 [cs.CV] |
| （或 arXiv:2610.08944v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08944 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tianyi Huang [查看邮箱]
[v1]
2026年10月6日星期二 18:09:36 UTC (2,184 KB)
[v2]
2026年10月21日星期三 16:20:25 UTC (2,185 KB)
来源：arXiv cs.AI · arxiv.org