中心偏差会传播吗？全切片图像分类中病理学基础模型的稳健性

病理学基础模型（PFM）通过组织病理学图像的强大表示学习改变了计算病理学。 PFM 为整个幻灯片图像 (WSI) 分析提供丰富、有区别的表示，从而支持多实例学习 (MIL) 下的幻灯片级别分类等任务。然而，这些表示也可能对与采集中心相关的非生物信号进行编码，可能会在下游预测中引入虚假的捷径。在这项工作中，我们使用受控训练设置来评估 WSI 分类中与中心相关的鲁棒性，并增加由 Cramér V 量化的类中心相关性。我们对四个数据集和两个 MIL 聚合器中的 6 个 PFM 进行基准测试，同时评估 ComBat 作为鲁棒性策略。我们进一步引入了 Cramér V 曲线下面积 (AUCC)，以共同捕获绝对分类性能及其随着虚假相关性增加而降低的情况。结果表明，由 PFM 编码的中心相关信息传播到 WSI 级别的预测，其鲁棒性取决于 PFM 表示和 MIL 聚合策略。此外，ComBat 协调并不能提供跨数据集一致的鲁棒性增益。