SlideRuler
一种针对病理基础模型的单张切片扫描仪偏差校准方法，通过学习迁移映射（transfer map）对特征空间进行对齐，无需修改冻结的基础模型参数，仅凭单张切片即可完成跨扫描仪的特征校正
时间轴 (近 90 天)
arXiv论文《One-Slide Calibration of Pathology Foundation Models》提出了SlideRuler方法，用于校准病理基础模型的扫描偏差
SlideRuler不改动冻结的基础模型，而是利用切片内部的区域作为内部对照来估计并校正采集过程引入的特征漂移
SlideRuler先用配对的重复扫描学习一个迁移映射（transfer map），推理阶段只需对单张扫描进行校准，整个过程保持基础模型参数不变
论文在两种编码器和五台SCORPION扫描仪上进行了验证
学习到的迁移映射相比原始embedding，将目标到源的平均特征距离降低了16.3%至38.5%
论文提出的源锚定变体（source-anchored variant）相比纯粹的学习迁移，将源特征位移进一步降低了47.7%至83.6%，同时保留了大部分对齐增益
在全部四种评估设置下（包括扫描仪留出测试scanner holdout），同切片贡献都带来了正向效果
SlideRuler的实验尚未覆盖跨品牌、跨成像原理（如明场与荧光）的更极端场景
SlideRuler给出的是embedding距离层面的改善，这些改善能在多大程度上转化为临床诊断准确率提升仍需后续研究验证
全部知识事实 (9)
arXiv论文《One-Slide Calibration of Pathology Foundation Models》提出了SlideRuler方法，用于校准病理基础模型的扫描偏差
50%待验证SlideRuler不改动冻结的基础模型，而是利用切片内部的区域作为内部对照来估计并校正采集过程引入的特征漂移
50%待验证SlideRuler先用配对的重复扫描学习一个迁移映射（transfer map），推理阶段只需对单张扫描进行校准，整个过程保持基础模型参数不变
50%待验证论文在两种编码器和五台SCORPION扫描仪上进行了验证
50%待验证学习到的迁移映射相比原始embedding，将目标到源的平均特征距离降低了16.3%至38.5%
50%待验证论文提出的源锚定变体（source-anchored variant）相比纯粹的学习迁移，将源特征位移进一步降低了47.7%至83.6%，同时保留了大部分对齐增益
50%待验证在全部四种评估设置下（包括扫描仪留出测试scanner holdout），同切片贡献都带来了正向效果
50%待验证SlideRuler的实验尚未覆盖跨品牌、跨成像原理（如明场与荧光）的更极端场景
50%待验证SlideRuler给出的是embedding距离层面的改善，这些改善能在多大程度上转化为临床诊断准确率提升仍需后续研究验证
50%