SlideRuler：以单张切片校准病理基础模型

在数字病理领域，深度学习已能省去手工特征设计并在多项分析任务上取得领先性能^[1]，Slideflow 等开源框架更把染色归一化、特征生成等工具整合进统一流水线^[6]。但变异始终是隐患：制片流程、试剂批次、扫描仪厂商不同都会改变组织与颜色外观^[4]，令计算机辅助算法表现飘忽^[2]；这类随医学中心、采集流程与时间出现的差异即所谓域偏移，而且会直接体现在网络的内部表示之中^[3]，跨中心染色归一化由此成为专门课题^[7]。近年 UNI 等基础模型以逾 1 亿张图像、10 万余张 H&E 全切片自监督预训练出通用编码器^[5]，下游经迁移学习直接复用，问题便聚焦为：扫描仪变异如何改变冻结模型的嵌入、能否在不重训的前提下校正。这并非过虑——2026 年一项同行评审研究评估了预训练基础模型在真实世界染色与扫描变异下的鲁棒性^[8]，另一项 2026 年 1 月发布的多扫描仪基准则用 CHIME Multiscanner 数据集评测了 14 个病理特征提取器^[9]。

SlideRuler 的做法是让切片自证：把同一切片内的区域当作内部对照，用以估计并校正其他区域中由采集引起的偏移；转移映射从成对重扫的切片学得，推理时单次扫描即可完成校准，而基础模型保持冻结。在两种编码器、五台 SCORPION 扫描仪上，学习到的转移使目标到源的平均嵌入距离较原始嵌入降低 16.3%–38.5%；与无关的同扫描仪对照相比，全部四种评测设置（含扫描仪留出）都显示出同切片来源的正贡献。考虑到学习转移本身会挪动源特征，作者另提出源锚定变体，把这一位移相对学习转移再压低 47.7%–83.6%，同时保留其大部分对齐收益。

就已有认识而言，这项工作把校正对象从图像与染色层面推进到了嵌入层面：传统归一化无论用稀疏自编码器、颜色解卷积还是 CycleGAN，处理的都是颜色分布与外观差异^[2][4][7]，这里则直接针对冻结模型的表示漂移动手，与域偏移可在内部表示中被测量的观察^[3]相衔接；且校正信息完全来自切片本身，不动模型权重、不需外部参照。据报道，OpenReview 上亦有工作同样针对冻结病理基础模型嵌入中由扫描仪与染色引起的变异做事后收缩^[10]，这条路线正在成形。

局限也一目了然：实验仅覆盖五台 SCORPION 扫描仪与两种编码器；摘要报告的是嵌入距离与特征位移的下降，未给出下游诊断任务上的表现；源锚定变体“保留大部分”对齐收益意味着仍有折损，组织构成不均的切片能否提供足够的内部对照，摘要也未回答。何况这是一篇未经同行评议的 arXiv 预印本，结论尚待独立验证。