差异最小化提高了数字病理学的跨医院稳健性

病理学基础模型 (PFM) 近年来发展迅速，支持一系列组织病理学任务的分类器训练。然而，它们在医院之间的稳健性仍然有限：当根据一家医院的数据训练分类器并在另一家目标医院对其进行评估时，性能通常会下降。我们通过 微调 PFM 解决这一挑战，其局部最大平均差异 (LMMD) 目标适用于两种设置：域适应（未标记的目标医院数据可用）和域泛化（目标医院数据根本不可用）。补丁级别和幻灯片级别的实验显示了多个 PFM 和任务的一致改进。