论文
FedHisto-PAST：染色感知的病理基础模型联邦适配
FedHisto-PAST: Parameter-Efficient Stain-Aware Federated Learning for Cross-Site Lung Histopathology Classification
摘要
跨位点肺组织病理学分类必须考虑染色变异、非 IID 客户数据、缺失类别以及采用大型病理学编码器的成本。本研究评估了 FedHisto-PAST v2 对腺癌 (ACA)、正常组织和鳞状细胞癌 (SCC) 的三向分类。 FedHisto-PAST v2 将冻结的 HIBOU-B 基础模型与参数高效适应、染色条件配对视图预测和特征一致性、可靠性感知原型学习和自适应联邦聚合相结合。实验使用了五客户端、非独立同分布、原始数据本地模拟，具有固定的内部评估、客户端级别分析、组件消融、通信成本核算和受开发影响的探索性 LungHist700 队列。所有主要方法都实现了接近上限的内部性能，这限制了对固定分割的区分。在 LungHist700 上，FedHisto-PAST v2 的 Macro-F1 为 0.728560，平衡精度为 0.730454。对正常和 SCC 的较高识别度伴随着较低的 ACA 召回率，并且校准仍然不完善。预测水平的一致性是外部消融分析中唯一具有明确支持的独立贡献的组成部分。特征一致性和原型正则化在 Macro-F1 中没有显示出决定性的独立总体增益。该框架更新了 1.253841% 的模型参数。结果为染色感知、参数高效的联邦学习提供了探索性的跨数据集证据；它们没有建立正式的隐私、患者级别的独立性、前瞻性部署或临床验证。
