一项新研究评估了计算病理学基础模型（PFMs）在前列腺癌分级中面对真实世界数据变化时的鲁棒性。研究人员发现，虽然PFMs在来自同一收集点的数据上表现良好，但当转移到来自不同地点的图像时，其性能会显著下降。这表明大规模预训练本身并不能保证在不同临床环境中的泛化能力，下游模型训练数据的质量仍然至关重要。 AI
影响 强调了需要多样化的训练数据，以确保医学AI模型在不同临床站点之间的泛化能力。
排序理由 学术论文，评估特定医学应用的基础模型。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2410.06723v2 Announce Type: replace-cross Abstract: Pathology foundation models (PFMs) have emerged as powerful pretrained encoders for computational pathology, but their robustness under clinically relevant distribution shifts remains insufficiently understood. We benchmar…