MergeSurv：基于合并的持续学习，用于全幻灯片图像的生存分析

全切片图像 (WSI) 的生存分析对于计算病理学中的预后评估和治疗计划非常重要。然而，现有的生存模型通常是针对每个癌症队列进行独立训练的，这使得十亿像素级 WSI 的持续适应计算成本高昂。在本研究中，我们提出了 MergeSurv，一种用于 WSI 生存分析的基于合并的持续学习框架。病理视觉语言基础模型在每个任务上独立微调，并且将学习到的参数顺序合并成统一的模型，而不存储以前的训练数据。我们进一步研究了两种推理策略：一对一（OFA）和投票专家聚合（VEA）。对四个 TCGA 队列的实验表明，MergeSurv 的性能优于朴素的 微调 以及代表性的基于正则化和基于排练的持续学习方法，同时有效减少灾难性遗忘。结果表明，模型合并是计算病理学中可扩展和保护隐私的持续学习的一个有前途的方向。