中心偏差会传播吗？全视野切片图像分类中病理基础模型的鲁棒性

病理基础模型（PFMs）通过从组织病理学图像中进行强大的表示学习，推动了计算病理学的发展。PFMs能够为全视野切片图像（WSI）分析提供丰富且具有判别性的表示，从而支持多实例学习（MIL）下的切片级分类等任务。然而，这些表示也可能编码与采集中心相关的非生物学信号，进而将虚假的捷径引入下游预测。在本研究中，我们采用受控训练设置，通过Cramér's V量化不断增强的类别—中心相关性，评估WSI分类中的中心相关鲁棒性。我们在四个数据集和两种MIL聚合器上对六个PFMs进行基准测试，同时评估ComBat作为一种鲁棒化策略的效果。我们进一步提出Cramér's V曲线下面积（AUCC），用于综合衡量绝对分类性能以及随着虚假相关性增强而产生的性能下降。结果表明，PFMs编码的中心相关信息会传播到WSI级预测中，其鲁棒性取决于PFM表示和MIL聚合策略。此外，ComBat harmonization在不同数据集上并未带来一致的鲁棒性提升。