计算病理学中的领域泛化算法基准测试
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了计算病理学中深度学习模型在应用于未见数据时性能下降的问题，缺乏对领域泛化算法的系统评估。通过对30种领域泛化算法在3个不同难度的计算病理学任务上的7560次交叉验证进行基准测试，发现自监督学习和染色增强 consistently 超过其他方法，同时引入了新的全癌症肿瘤检测数据集（HISTOPANTUM）作为未来研究的基准。
最近，自我监督学习在视觉基础模型训练中取得突破，通过在大型临床病理数据集上预训练，提升下游任务表现。研究发现，病理数据预训练优于自然图像，DINO算法效果最佳。这标志着计算病理学研究的进步。
