PathoJev-27B devance SlideChat de 6,3 points de pourcentage en précision moyenne sur trois tests WSI

Des chercheurs de l'université du Sichuan, de l'hôpital du Chine occidentale, de l'Université nationale de Singapour et de l'Université Sun Yat-sen présentent PathoJev, un modèle de pathologie numérique qui répond aux questions sur une lame histologique non pas par du texte, mais par une distribution de probabilités toute prête sur les options de réponse. La lame entière (WSI, whole-slide image) n'est lue qu'une seule fois, puis un nombre quelconque de questions la concernant est traité sur ce contexte visuel partagé. Sur trois benchmarks de lames entières, les versions de 9B et 27B paramètres dépassent en précision moyenne SlideChat, le modèle de référence pour les questions sur lames : de 5,4 et 6,3 points de pourcentage respectivement.

Face à WSI-LLaVA, autre modèle de la même catégorie, l'écart atteint 7,0 et 7,9 points.

Pourquoi la pathologie a besoin d'une sortie directe en probabilités

À partir d'une seule lame, le pathologiste émet plusieurs jugements à la fois : type de tumeur, degré de malignité, présence d'une invasion. Les modèles vision-langage actuels en pathologie, comme Quilt-LLaVA, PathChat, SlideChat et Patho-R1, répondent par génération autorégressive de texte. Pour une question à options prédéfinies, cela implique un décodage séquentiel, puis l'extraction de la réponse dans la chaîne générée. Ce type de génération ne fournit pas directement de distribution normalisée sur les options. Si une lame fait l'objet de plusieurs questions, tout le cycle est répété pour chacune, alors que les données tissulaires sont les mêmes.

PathoJev repose sur le paradigme System One : l'entrée est directement convertie en un jugement probabiliste typé. Chaque question possède un type de sortie et un ensemble ordonné de réponses, et le modèle retient l'option la plus probable. Les questions binaires utilisent un ensemble de deux réponses, les questions à choix multiples des alternatives textuelles.

Une lame, de nombreuses questions

Les features des patchs de tissu de la lame sont extraites par un encodeur gelé, CONCH v1.5. Elles sont moyennées sur une grille spatiale, puis un perceptron multicouche entraînable projette le résultat dans l'espace d'embeddings du backbone de langage. La séquence visuelle devient ainsi plus courte, tout en conservant l'organisation spatiale. Pour les ROI, c'est-à-dire les zones locales de tissu, le modèle de base conserve son propre canal visuel natif. L'entraînement porte à la fois sur des questions portant sur des lames entières et sur des ROI : l'interface de décision commune couvre donc les deux niveaux.

Le calcul est scindé en un préfixe commun contenant la lame et des suffixes propres à chaque question. Les questions se branchent sur le préfixe indépendamment les unes des autres et sont traitées par lots. Le backbone hybride s'appuie sur des états récurrents : la part du calcul qui croît avec la longueur du contexte de la lame diminue à chaque question supplémentaire. Le cache de préfixe évite de relire la lame, mais l'attention softmax classique continue d'accéder aux clés et aux valeurs à chaque nouvelle question. Pour comparer le coût d'une question supplémentaire, les auteurs ont retenu Qwen3-8B, qui n'utilise que de l'attention softmax.

Ce que montrent les mesures

Outre l'avance sur SlideChat et WSI-LLaVA, les deux versions conservent une précision compétitive sur cinq benchmarks ROI. Sur WSI-Bench, PathoJev-9B est plus rapide que SlideChat. Ici, la latence correspond au temps de passe avant (forward pass) sur GPU par question ; elle sert de base de comparaison sur WSI-Bench et PathMMU-tiny. Les modèles de référence WSI zero-shot du comparatif travaillaient sur des miniatures de lames.

Un contrôle distinct teste l'interface elle-même. Les auteurs ont entraîné une variante autorégressive sur les mêmes données, et PathoJev-9B s'est révélé plus précis qu'elle sur six benchmarks sur huit, avec une latence plus faible aussi bien sur les WSI que sur les ROI. Sur une charge de huit questions, le contexte partagé réduit le temps total par rapport à un encodage séparé du préfixe pour les modèles 9B et 27B, et le gain augmente à 64 questions. Pour les pourcentages d'accélération exacts, mieux vaut se reporter à l'article lui-même.

Ce que cela signifie en pratique

Pour les développeurs de systèmes d'IA médicale, l'essentiel tient dans le schéma d'architecture. Lorsqu'une même entrée donne lieu à de nombreuses questions structurées, il est plus avantageux d'encoder le contexte une seule fois et de lire directement les probabilités des réponses. La confiance du modèle pour chaque option est disponible immédiatement, et elle peut servir à définir des seuils et à router les cas vers un médecin.

Les limites sont tout aussi claires. La sortie directe en probabilités convient aux questions à ensemble de réponses prédéfini ; elle ne remplace ni les descriptions libres ni les raisonnements diagnostiques détaillés, comme ceux de Patho-R1. Les résultats proviennent de benchmarks académiques, et non de flux réels de comptes rendus cliniques. Le code du projet est publié sur GitHub, dans le dépôt ChyaZhang/PathoJev.