持续模型合并与测试时间适应，用于全切片图像分析

模型合并通过集成独立微调的模型而不保留以前的训练数据，为传统持续学习提供了一种实用的替代方案。最近最先进的模型合并方法采用测试时间适应（TTA 引导合并），通过使用未标记的目标数据调整与合并相关的变量来解决分布变化。然而，这些方法主要是在多任务或单目标设置中进行研究，并且它们在顺序持续学习下的行为仍然没有得到充分的了解。我们提出了一项基准研究，将这一系列方法映射到无需回放旧样本的连续整个幻灯片图像分类，并根据传统的持续学习方法对其进行评估。六个 TCGA 癌症亚型队列的实验涵盖 CLASS-IL 和 TASK-IL 场景、域内和域外评估以及不同的任务顺序。结果表明，在测试时调整模型合并可以提供强大的特定于任务的性能，并提高对先前获取的知识的保留，而无需存储历史 WSI。尽管如此，性能仍然对任务顺序以及当前分布的适应和积累的知识之间的相互作用敏感。该基准将模型与测试时间适应的合并视为连续计算病理学的一个有希望的方向，并激发了未来平衡适应领域转移与明确保存历史知识的方法。