随着病理基础模型的快速发展，针对下游任务的高效微调策略的需求不断增加。然而，现有的参数高效微调方法在很大程度上缺乏任务特异性，对组织病理图像的泛化能力有限，尤其是对未见过的癌症和染色，由于染色的显著变异性和组织微环境的复杂性。为了解决这些挑战，我们提出了组织病理学引起的适配器（HiAdapter），该适配器将特定领域的染色和成像机制分析纳入其中。HiAdapter通过染色不变适配器（S-Adapter）重构染色不变的表示，并通过形态感知适配器（M-Adapter）整合形态特征，有效缩小低级光学特性与高级组织语义之间的差距。此外，我们引入了一种病理原型对比损失（PPCLoss），以减少类别间相似度并减轻类别内异质性，从而增强特征的可辨别性。对包括两个公共数据集、一个骨肉瘤组织分类数据集（56,178片）和一个软骨肉瘤坏死分类数据集（3,867片）以测试未见癌症的泛化能力，以及一个IHC染色数据集（4,967片）和一个HIF1A IHC染色数据集（4,433片）以测试未见染色的泛化能力，在三个病理基础模型（CTransPath、CONCH和UNI）上进行了广泛实验，结果证明HiAdapter在效率和准确性上均表现出色。HiAdapter在F1得分上平均提高了2.15，在准确性上提高了1.55，保持了强大的生物学和诊断可解释性。对一个独立的骨肉瘤数据集（9,535片）和WSI级生存分析（178张幻灯片）的外部验证进一步确认了其优越的泛化能力，并强调了在临床实践中对患者级诊断和预后的潜力。我们的代码可在HiAdapter获取。
刘等人（星期四）研究了这个问题。