我们是否已为数字病理学中的分布外检测做好准备？
Are We Ready for Out-of-Distribution Detection in Digital Pathology?
AI总结：
本文针对数字病理学中分布外检测这一被忽视的挑战，建立基准研究，评估多种检测器在不同设置下的表现，并提供新见解与指导方针。
摘要：
在数字病理学（DP）中，检测语义和协变量分布外（OOD）样本是一个关键但被忽视的挑战。近期，机器学习社区提出了大量关于OOD检测的见解和方法，但它们在DP应用中的表现如何呢？为此，我们建立了一项基准研究，其亮点包括：1）采用适当的评估协议，2）在单一和多模型设置下比较多种检测器，以及3）探索先进的机器学习设置，如迁移学习（ImageNet与DP预训练）和架构选择（CNN与Transformer）。通过我们的综合实验，我们提供了新的见解和指导方针，为未来的研究和讨论铺平了道路。
英文摘要：
The detection of semantic and covariate out-of-distribution (OOD) examples is a critical yet overlooked challenge in digital pathology (DP). Recently, substantial insight and methods on OOD detection were presented by the ML community, but how do they fare in DP applications? To this end, we establish a benchmark study, our highlights being: 1) the adoption of proper evaluation protocols, 2) the comparison of diverse detectors in both a single and multi-model setting, and 3) the exploration into advanced ML settings like transfer learning (ImageNet vs. DP pre-training) and choice of architecture (CNNs vs. transformers). Through our comprehensive experiments, we contribute new insights and guidelines, paving the way for future research and discussion.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
