PathoJev-27B supera o SlideChat em 6,3 p.p. na precisão média em três testes de WSI

Pesquisadores da Universidade de Sichuan, do Hospital da China Ocidental, da Universidade Nacional de Singapura e da Universidade Sun Yat-sen apresentaram o PathoJev, um modelo para patologia digital que responde a perguntas sobre uma lâmina histológica não com texto, mas com uma distribuição de probabilidades pronta sobre as alternativas de resposta. A lâmina inteira (WSI, whole-slide image) é lida uma única vez, e qualquer número de perguntas sobre ela é processado em cima desse contexto visual compartilhado. Em três benchmarks de lâminas inteiras, as versões com 9B e 27B de parâmetros superam em precisão média o SlideChat, modelo anterior para perguntas sobre lâminas: por 5,4 e 6,3 pontos percentuais, respectivamente.

Em relação ao WSI-LLaVA, outro modelo da mesma classe, a vantagem é de 7,0 e 7,9 pontos.

Por que a patologia precisa de saída direta de probabilidades

De uma única lâmina, o patologista tira vários julgamentos de uma vez: tipo de tumor, grau de malignidade, presença de invasão. Os modelos de visão e linguagem atuais para patologia, como Quilt-LLaVA, PathChat, SlideChat e Patho-R1, respondem por geração autorregressiva de texto. Para uma pergunta com alternativas predefinidas, isso significa decodificar token a token e depois extrair a resposta da string gerada. Esse tipo de geração não fornece diretamente uma distribuição normalizada sobre as alternativas. Se há várias perguntas sobre a mesma lâmina, o ciclo inteiro se repete para cada uma, embora os dados do tecido sejam os mesmos.

O PathoJev se baseia no paradigma System One: a entrada é mapeada diretamente para um julgamento probabilístico tipado. Cada pergunta tem um tipo de saída e um conjunto ordenado de respostas, e o modelo escolhe a alternativa com maior probabilidade. Perguntas binárias usam um conjunto de duas respostas; perguntas de múltipla escolha usam alternativas em texto.

Uma lâmina, muitas perguntas

As features dos fragmentos de tecido da lâmina são extraídas pelo encoder congelado CONCH v1.5. Elas são promediadas sobre uma grade espacial, e um perceptron multicamadas treinável projeta o resultado no espaço de embeddings do backbone de linguagem. Assim, a sequência visual fica mais curta, mas mantém a organização espacial. Para ROIs, isto é, regiões locais do tecido, continua valendo o caminho visual nativo do modelo base. O treinamento usa perguntas tanto sobre lâminas inteiras quanto sobre ROIs, de modo que a interface comum de decisão cobre os dois níveis.

O cálculo é dividido em um prefixo comum, com a lâmina, e sufixos para cada pergunta. As perguntas se ramificam do prefixo de forma independente e são processadas em lote. O backbone híbrido usa estados recorrentes, então a fatia do custo que cresce com o tamanho do contexto da lâmina diminui a cada pergunta adicional. O cache de prefixo evita reler a lâmina, mas a atenção softmax convencional ainda acessa chaves e valores a cada nova pergunta. Para comparar o custo de uma pergunta adicional, os autores usaram o Qwen3-8B, que emprega apenas atenção softmax.

O que as medições mostraram

Além da vantagem sobre o SlideChat e o WSI-LLaVA, as duas versões mantêm precisão competitiva em cinco benchmarks de ROI. No WSI-Bench, o PathoJev-9B é mais rápido que o SlideChat. A latência aqui é o tempo de forward pass na GPU por pergunta; a comparação foi feita no WSI-Bench e no PathMMU-tiny. Os baselines zero-shot de WSI na comparação trabalharam com miniaturas das lâminas.

Um controle separado testa a própria interface. Os autores treinaram uma variante autorregressiva com os mesmos dados, e o PathoJev-9B ficou mais preciso que ela em seis de oito benchmarks, com menor latência tanto em WSI quanto em ROI. Em uma carga de oito perguntas, o contexto compartilhado reduz o tempo total em relação à codificação separada do prefixo, nos modelos 9B e 27B, e com 64 perguntas o ganho aumenta. Os percentuais exatos de aceleração são melhor consultados no próprio artigo.

O que isso significa na prática

Para quem desenvolve sistemas de IA médica, o principal é o padrão arquitetural. Se uma mesma entrada gera muitas perguntas estruturadas, compensa codificar o contexto uma vez e ler as probabilidades das respostas diretamente. A confiança do modelo em cada alternativa vem de imediato e pode servir para definir limiares e encaminhar o caso a um médico.

As limitações também são claras. A saída direta de probabilidades serve para perguntas com conjunto de respostas predefinido e não substitui descrições livres nem raciocínios diagnósticos detalhados, como os do Patho-R1. Os resultados vêm de benchmarks acadêmicos, não de fluxos reais de laudos clínicos. O código do projeto está publicado no GitHub, no repositório ChyaZhang/PathoJev.