LoC-Path: Learning to Compress for Pathology Multimodal Large Language Models

LoC-Path 文章总结与翻译一、主要内容该研究针对全切片图像（WSI）分析中多模态大语言模型（MLLMs）存在的计算成本过高问题展开。WSI 具有十亿像素级规模，且诊断相关区域极度稀疏，现有模型需暴力处理数千个切片特征，导致计算和内存负担沉重。研究通过分析 2000 个 TCGA WSI 发现：一是 WSI 切片特征存在显著的全局和局部冗余，少量原型即可重构大部分特征；二是仅约 35.2% 的切片与任务（如报告生成、视觉问答）真正相关，其余切片对任务贡献极小。基于上述发现，研究提出高效 MLLM 框架 LoC-Path，核心流程为：切片特征压缩：通过稀疏令牌合并器（STM）消除局部冗余，再经 MAE 预训练的重采样器压缩全局冗余，将数千个切片令牌转化为紧凑的 latent 表示；任务相关令牌选择：通过令牌重要性评分器（TIS）筛选与任务最相关的 Top-M 个 latent；高效多模态融合：通过跨注意力路由适配器（CARA）将筛选后的视觉特征注入 LLM 解码器层，避免传统自注意力的二次复杂度。实验表明，LoC-Path 在病理诊断、报告生成等任务上达到现有 SOTA 模型相当的性能，同时推理计算量降低 70%，内存消耗减少 30%。二、创新点冗余感知的切片压缩机制：提出 STM 与 MAE 预训练重采样器的组合，分别针对局部和全局冗余进行压缩，且 MAE 预训练通过重构任务保证压缩后特征的完整性，同时引入覆盖度和多样性