Abstract
病理基盤モデル（FM）は計算病理学の中核となりつつあり、幅広い診断および予後タスクに対して強力な転移性能を提供します。しかし、病理基盤モデルの急速な増殖はモデル選択のボトルネックを生み出しています。すべての下流エンドポイントに対して、多数の候補をそれぞれ徹底的に適応・検証することは、費用面で現実的に不可能である一方、単一のモデルが一様に最良であるわけでもありません。この課題に対し、軽量かつ新規のモデル融合戦略であるLogitProdを提案します。LogitProdは、独立に学習されたFMベースの予測器を固定されたエキスパートとして扱い、スライド単位の出力に対してサンプル適応的な融合重みを学習します。融合は純粋にログit上で行われ、エンコーダの再学習も不要で、異種のバックボーン間での特徴空間の整合（アライメント）も必要ありません。さらに、最適な重み付き積の融合が、学習目的のもとで最良の個別エキスパートと同等以上の性能を必ず達成することを保証する理論的分析を示します。私たちは、WSIレベル分類、タイルレベル分類、遺伝子変異予測、離散時間の生存モデリングにまたがる extbf{22}のベンチマークに対して、LogitProdを体系的に評価します。LogitProdは22タスク中20タスクで1位となり、最強の単一エキスパートに比べて全タスク平均の性能を約3%向上させます。LogitProdにより、実務者は異種のFMベースのパイプラインをプラグアンドプレイ方式でアップグレードでき、特徴融合の代替案よりも約12倍低い学習コストで複数エキスパートの利得を得られます。
