Гистопатология остается золотым стандартом диагностики злокачественных новообразований и выбора терапии. Базовые модели патологии (foundation models) извлекают визуальные признаки из whole-slide images (WSI), однако существующие модели обучены на разрозненных наборах данных с различными стратегиями, что приводит к нестабильной производительности и ограниченной обобщаемости.

Исследователи представили ELF (Ensemble Learning of Foundation models) — систему, интегрирующую пять предобученных базовых моделей патологии в единое представление на уровне препарата. ELF обучена на 53 699 WSI, охватывающих 20 анатомических локализаций, и использует ансамблевое обучение для захвата комплементарной информации из различных моделей.

Архитектура ELF на уровне препарата разработана для эффективного downstream-анализа в условиях ограниченных данных, включая предсказание ответа на терапию. Это критично для прецизионной онкологии, где объем доступных образцов часто невелик.

ELF оценивалась в задачах:

• Классификация заболеваний
• Детекция биомаркеров
• Предсказание ответа на противоопухолевую терапию
• Предсказание ответа на иммунотерапию при различных типах рака

ELF продемонстрировала более высокую производительность, чем отдельные составляющие модели и другие базовые модели на уровне препарата во всех протестированных задачах. Результаты подтверждают перспективность ансамблевого обучения для патологических приложений в онкологии.

Интеграция множественных базовых моделей позволяет захватывать различные аспекты гистологической архитектуры опухоли, что особенно ценно для предсказания терапевтического ответа — одной из наиболее сложных задач в компьютерной патологии. Подход ELF открывает путь к более точной стратификации пациентов и персонализированному выбору лечения на основе цифрового анализа гистологических препаратов.