论文
PathLang：计算病理学中视觉语言模型的以语言为中心的基准
PathLang: A Language-Centered Benchmark for Vision-Language Models in Computational Pathology
摘要
病理视觉语言模型（VLM）显示出强大的视觉感知能力，但其在语言领域的鲁棒性仍然较差。现有的病理学 VLM 基准在很大程度上依赖于规范的封闭集提示或仅扰乱通用模板，将语言视为固定的评估组件而不是模型行为的可变轴。然而，在临床实践中，诊断语言因报告、机构和候选诊断而异。我们推出 PathLang，一个以语言为中心、以临床为基础的零样本基准测试。 PathLang 固定基础幻灯片、真实标签和图像文本评估方向，同时仅系统地改变诊断语言，因此性能差异反映了诊断的措辞方式，而不是图像的内容。语言变化遵循病理学家实际重新表述诊断的方式（术语、特异性和报告风格），所有提示和候选库均由六名委员会认证的病理学家验证。 PathLang 涵盖四个任务系列：（1）零样本 使用图像文本对齐分析进行分类，（2）跨模态检索，（3）释义鲁棒性，包括语义等价释义、长度和报告风格变化以及提示集成，以及（4）在四个具有不同形式语义竞争的候选池上进行开放词汇诊断检索。在跨越四个器官的九个 VLM 和五个公共数据集中，我们发现性能对临床等效释义高度敏感，在不同形式的语义竞争中差异很大，并且图像文本对齐质量不一定转化为类间可分离性。我们在 https://anonymous.4open.science/r/PathLang. 发布了提示语料库、候选池、预先计算的文本嵌入和评估代码