论文
EXPOSE：使用稀疏自动编码器从病理学视觉基础模型中获得可解释且领域稳健的嵌入
EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders
摘要
视觉基础模型 (VFM) 广泛用于计算病理学，但对染色、组织准备和扫描仪硬件变化引起的域变化仍然敏感。一个关键的限制是 VFM 嵌入将生物与特定领域的信息纠缠在一起，阻碍了跨领域的泛化。我们提出了跨域稀疏嵌入的可解释探测（EXPOSE），这是一个使用稀疏自动编码器（SAE）作为可解释瓶颈来识别和抑制 VFM 嵌入中特定于域的组件的框架。我们训练 VFM 特征的稀疏表示，使用线性分类器来识别特定于域的潜在维度，并在下游复发预测之前屏蔽这些特征，而无需重新训练骨干模型。对具有多个采集域的大型前列腺癌数据集进行的实验表明，SAE 特征捕获域特定信息和任务特定信息，这些信息在潜在空间中部分解开。删除特定于域的功能可以提高跨域性能并提高嵌入的鲁棒性（通过域鲁棒性指数（DoRI）衡量）。代码可在 https://github.com/imsb-uke/expose 获取。