```html 摘要 数字病理学基础模型（Foundation Models, FMs）的迅速发展，在架构规模、预训练数据和训练策略方面存在广泛差异，这给选择适用于特定临床应用的最佳模型带来了实际挑战。为了系统地评估这些因素之间的权衡，我们对比了6种代表不同模
数字病理学基础模型（Foundation Models, FMs）的迅速发展，在架构规买球官方网站模、预训练数据和训练策略方面存在广泛差异，这给选择适用于特定临床应用的最佳模型带来了实际挑战。为了系统地评估这些因素之间的权衡，我们对比了6种代表不同模型层次和设计特点的模型，包括Lunit、Kaiko-Base、Phikon-v2、UNI2、Virchow2和Kaiko-Midnight，这些模型分别在全切片图像（Whole Slide Image, WSI）级别的分类、WSI级别的生存预测以及感兴趣区域（Region of Interest, ROI）级别的分类任务中进行了测试。研究结果表明，模型性能具有很强的任务依赖性，这挑战了“体型较大的模型通常表现更好”这一假设。在WSI级别上，Camelyon16在淋巴结转移检测任务中的表现接近最佳；Virchow2达到了最高的AUROC值，并且与次优模型之间的差异具有统计学意义但幅度较小。在非小细胞肺癌（NSCLC）亚型分类任务中，Phikon-v2也获得了最高的AUROC值，尽管其差异与次优模型没有统计学意义。在NSCLC生存预测任务中，作为最小模型的Lunit获得了最高的五折交叉验证平均C指数和最低的平均排名，而Kaiko-Base则展现了最稳定的预后预测能力；然而，匹配折叠分析并未显示出统计学上的显著优势。ROI级别分类任务采用宏观平均的一对所有样本（one-vs-rest）AUROC进行评估，其中BACH和TCGA-UT在性能上接近最佳水平，而UNITOPATHO则具有更强的区分能力，并且在统计上显示出最明显的分界效果，尤其是相对于次优模型Lunit。Kaiko-Midnight在TCGA-UT上的AUROC值也是最高的，但与UNI2之间的差异没有统计学意义。Kaiko-Base和Kaiko-Midnight的对比还表明，同一开发系列中的较大模型可以在某些任务上实现更高的ROI级别AUROC值，而无需提升WSI级别的分类或生存预测能力。定量嵌入-提取基准测试进一步揭示了这些模型在部署效率方面的显著差异：在最大可行批量大小评估下，Kaiko-Midnight的吞吐量明显低于Lunit。此外，使用每份数据50个随机种子的训练数据分割方法表明，模型排名会随数据类型的不同而变化，特别是在WSI级别的AML（Automated Machine Learning）训练中，低数据量设置会导致较大的变异性。综上所述，这些发现支持建立一个基于任务和数据类型的框架，用于选择数字病理学基础模型，从而在预测性能、统计不确定性、稳定性、计算效率以及部署成本之间取得平衡。