Les chercheurs présentent ALICE, un modèle fondation unifié pour la pathologie computationnelle entraîné par une distillation agglomérative en plusieurs étapes. Le modèle consolide séquentiellement les capacités de huit modèles enseignants spécialisés en un seul backbone.
- Entraîné sur 24 985 184 images de pathologie au niveau des tuiles et 155 604 images haute résolution.
- Évalué dans 21 scénarios de tâches, 96 tâches en aval et 48 sources de données.
- A obtenu le meilleur rang moyen parmi les modèles fondation de pathologie adaptés aux tâches dans les trois configurations d'évaluation.
Les résultats démontrent que la distillation agglomérative peut consolider des capacités complémentaires issues de modèles spécialisés en un backbone unifié pour des applications larges de pathologie computationnelle.