A Clinical Benchmark of Public Self-Supervised Pathology Foundation Models

使用自监督学习（SSL）训练病理基础模型的应用在过去几年中显著增加。值得注意的是，最近几个月，已经公开了几个在大量临床数据上训练的模型。这将显著增强计算病理学的科学研究，并帮助弥合研究和临床部署之间的差距。随着不同大小、使用不同算法和数据集进行训练的公共基础模型的可用性增加，建立基准以比较这些模型在跨多个器官和疾病的多种临床相关任务上的性能变得重要。在这项工作中，我们提供了一个病理数据集的集合，其中包括与临床相关的幻灯片，包括癌症诊断和两个医疗中心标准医院运营期间生成的各种生物标志物。我们利用这些数据集系统评估公共病理基础模型的性能，并提供有关训练新基础模型和选择适当的预训练模型的最佳实践的见解。

评估公共病理学基础模型在多个临床任务上的性能，以及为训练新基础模型和选择适当的预训练模型提供见解。

使用临床数据集系统评估公共病理学基础模型的性能，并提供最佳实践建议。

论文提供了一组包含临床幻灯片的病理学数据集，涵盖多个器官和疾病，用于评估公共病理学基础模型的性能。实验设计详细，使用的数据集来自两个医疗中心。研究结果可以帮助科学家在计算病理学领域开展研究，并有助于缩小研究和临床部署之间的差距。

最近的相关研究包括：“Self-supervised Learning for Medical Imaging: A Review”，“An Overview of Deep Learning in Medical Imaging focusing on MRI”，“A review of deep learning in medical imaging: image traits, technology trends, case studies with progress highlights, and future promises”等。