MOSAIC 是一项针对计算病理学基础模型（Pathology Foundation Models, PFMs）潜在空间相似性、对齐与互操作性的系统研究，论文已被 WACV 2027 接收，作者为 Dibaloke Chanda 与 Praveen Madiraju，于 2026 年 10 月 19 日提交至 arXiv（编号 arXiv:2610.33059v1，cs.CV，并交叉列入 cs.AI）。该研究关注的核心问题是：当前病理学基础模型在架构、预训练目标、训练数据和表示维度上差异显著，但它们学到的究竟是本质上不同的特征空间，还是同一潜在表示的不同坐标系？
为回答这一问题，MOSAIC 构建了一个覆盖 12 个 patch 级（图像块级）模型与 6 个 slide 级（全切片级）模型的统一评测框架。研究首先采用互补的多种相似度度量来量化不同模型之间的表示一致性，并系统分析架构设计、预训练目标、网络深度以及放大倍率（magnification）等因素如何影响潜在空间的几何结构。这一部分旨在揭示异构模型之间表示差异的来源，而不仅仅是给出一个相似度分数。
在量化相似性之后，MOSAIC 进一步评估了多种对齐策略，用于将各自独立学习到的表示映射到一个共同的潜在空间中。对齐后的表示通过多个维度进行检验，包括跨模型一致性、检索性能、几何结构保持程度，以及在分子预测和形态学预测任务上的下游多示例学习（multiple-instance learning）表现。这种多维度评估有助于判断对齐是否真正保留了有用信息，而非仅仅在数值上拉近了距离。
总体而言，MOSAIC 提供了一个统一框架，用于研究异构病理学基础模型能否从单纯的表示相似性，迈向一个共享且具备功能可迁移性的病理表示空间。作者公开了代码、基准测试与补充结果，项目页面为 https://researchsubmissions66.github.io/MOSAIC/。该工作对病理学基础模型的复用、模型间迁移以及跨模型集成具有潜在意义。