Label-Free Coreset Selection with Foundation Models for Efficient Annotation in Computational Pathology
作者: Tuo Yin, Jennifer Dhont
分类: cs.CV
发布日期: 2026-10-05
备注: 32 pages, 7 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出GCcore以解决计算病理学中标注数据不足问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 计算病理学 核心集选择 深度学习 无标签学习 医学图像分析
📋 核心要点
- 现有的核心集选择方法依赖于超参数调优，无法有效应用于组织病理学，且使用复杂。
- GCcore通过无标签方式嵌入病理基础模型，贪婪选择样本以最大化全局覆盖率，完全不依赖超参数。
- GCcore在14个基线方法中表现优越，六个任务中排名第一，九个任务中进入前三，显示出显著的性能提升。
📝 摘要（中文）
计算病理学有潜力通过提高诊断和预后准确性来改善临床结果。然而，深度学习算法的开发和验证仍需依赖标注数据，这一过程成本高昂且需要专业病理学家的参与。现有的核心集选择方法依赖于在自然图像基准上调优的超参数，无法有效转移到组织病理学中，且在临床实践中使用繁琐。本研究提出了GCcore，一种新颖的无标签核心集选择方法，通过嵌入病理基础模型来选择样本，最大化嵌入空间的全局覆盖率。该方法在14个基线方法中表现优越，涵盖多个任务和数据集，展示了其在多个指标上的领先地位。
🔬 方法详解
问题定义：本研究旨在解决计算病理学中标注数据稀缺的问题。现有方法依赖于超参数调优，难以在组织病理学中有效应用，且在临床实践中使用繁琐。
核心思路：GCcore的核心思想是通过无标签的方式，利用病理基础模型对数据集中的每个图像进行嵌入，贪婪选择样本以最大化嵌入空间的全局覆盖率。这种设计避免了超参数调优的复杂性，确保了方法的确定性。
技术框架：GCcore的整体架构包括数据嵌入、样本选择和全局覆盖率评估三个主要模块。首先，利用病理基础模型对图像进行嵌入，然后通过贪婪算法选择样本，最后评估所选样本的全局覆盖率。
关键创新：GCcore的主要创新在于其无标签的核心集选择方法，提供了全局覆盖率的下界保证，且完全不依赖超参数。这与现有方法的本质区别在于其简化了选择过程，提高了适用性。
关键设计：GCcore在设计上不需要额外的超参数设置，采用了确定性的贪婪选择策略，确保了每次选择的样本都能最大化全局覆盖率。
🖼️ 关键图片
📊 实验亮点
GCcore在14个基线方法中表现优越，六个任务中排名第一，九个任务中进入前三，显示出显著的性能提升。现有方法的排名可能因超参数设置而变化多达五个位置，GCcore则保持稳定的优越性。
🎯 应用场景
该研究的潜在应用领域包括临床病理学、医学图像分析和深度学习模型的训练。GCcore可以显著降低标注数据的需求，帮助病理学家更高效地进行样本选择，从而加速深度学习算法的开发与验证，最终改善临床决策和患者结果。
📄 摘要（原文）
Computational pathology has the potential to improve clinical outcomes through a demonstrated increase in diagnostic and prognostic accuracy. However, the development and validation of deep learning algorithms still require annotated data, a costly procedure involving expert pathologists who already face critical workforce shortages. Existing coreset selection methods to optimize annotation efforts currently all rely on hyperparameters tuned on natural-image benchmarks that do not transfer to histopathology and are cumbersome to use in clinical practice. In this study, we present GCcore, a novel label-free coreset selection method that embeds every image of a dataset with any pathology foundation model and greedily selects the samples that collectively maximize the global coverage of the embedding space. The proposed method provides a lower-bound guarantee on the global coverage of the returned coreset for any coreset size, while being completely hyperparameter-free and deterministic. We demonstrate GCcore's superior performance over 14 baselines including state-of-the-art methods across 10 tasks and datasets spanning whole slide image classification, tile classification, and tissue segmentation, where it ranks first on six and within the top three on nine, while also demonstrating how existing methods can shift by up to five rank positions depending on their hyperparameter settings. Code is publicly available at https://github.com/OncoAI-ULBHUB/GCcore.