Il fine-tuning migliora la robustezza dei modelli fondativi in patologia
Un nuovo approccio di fine-tuning aumenta significativamente la resilienza dei modelli fondativi (FM) in patologia rispetto alle variazioni di scanner e colorazione, che rappresentano un ostacolo importante per l'applicazione clinica. Questo metodo è stato testato su dieci FM distinti, producendo miglioramenti consistenti in robustezza e prestazioni senza alcun compromesso. L'indice di robustezza PathoROB è migliorato in media del 23% (da 0,72 a 0,87), mentre le prestazioni complessive su Patho-Bench, HEST e THUNDER sono aumentate del 43%. Tra i miglioramenti individuali degni di nota, si registrano fino al 72% in robustezza per Phikon-v2 e al 76% in prestazioni per Midnight-12k. I modelli Phikon-v2 (Phaet) e Midnight-12k (Mascaret) con fine-tuning sono ora disponibili al pubblico. Questa ricerca affronta un problema cruciale nella patologia computazionale, dove la variabilità di laboratorio ostacola la generalizzazione dei modelli.
Fatti principali
- I modelli fondativi in patologia sono sensibili alla variabilità di scanner e colorazione.
- Una nuova ricetta di fine-tuning migliora la robustezza rispetto ai fattori di acquisizione.
- Applicata a dieci FM diversi, la strategia migliora costantemente robustezza e prestazioni downstream.
- L'indice di robustezza PathoROB è aumentato in media del 23% (da 0,72 a 0,87).
- Le prestazioni complessive su più benchmark sono aumentate del 43% su Patho-Bench, HEST e THUNDER combinati.
- Miglioramenti individuali fino al 72% in robustezza (Phikon-v2) e al 76% in prestazioni (Midnight-12k).
- Le versioni con fine-tuning di Phikon-v2 (Phaet) e Midnight-12k (Mascaret) sono state rilasciate pubblicamente.
- Lo studio affronta la variabilità tra laboratori che limita l'implementazione dei modelli.
Entità
—