面向跨医院免疫组化（IHC）分级的输入与特征空间校正
英文标题：Input- and Feature-Space Correction for Cross-Hospital IHC Grading
本研究针对跨中心免疫组织化学（IHC）图像分级中存在的域偏移问题，探索了输入与特征空间的校正方案。当前病理基础模型（FM）主要基于苏木精-伊红（H&E）图像训练，但常作为冻结特征提取器迁移至 IHC 任务中，医院间的染色与设备差异会显著影响分级准确率。该项研究为解决医疗基础模型在跨院异构场景下的泛化瓶颈提供了技术路径，对数字病理 AI 的实际临床部署具有重要参考价值。
打开原文相关 1.6 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
摘要
病理基础模型（Foundation Models, FMs）主要基于苏木精-伊红（H&E）切片图像进行预训练，但如今越来越多地被用作免疫组织化学（IHC）任务的冻结特征提取器。然而，不同医院之间在制片与染色等方面的差异会严重削弱分级性能。然而，系统性……
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×