MOSAIC 是一項針對計算病理學基礎模型（Pathology Foundation Models, PFMs）潛在空間相似性、對齊與互操作性的系統研究，論文已被 WACV 2027 接收，作者為 Dibaloke Chanda 與 Praveen Madiraju，於 2026 年 10 月 19 日提交至 arXiv（編號 arXiv:2610.33059v1，cs.CV，並交叉列入 cs.AI）。該研究關注的核心問題是：當前病理學基礎模型在架構、預訓練目標、訓練資料和表示維度上差異顯著，但它們學到的究竟是本質上不同的特徵空間，還是同一潛在表示的不同座標系？
為回答這一問題，MOSAIC 構建了一個覆蓋 12 個 patch 級（影像塊級）模型與 6 個 slide 級（全切片級）模型的統一評測框架。研究首先採用互補的多種相似度度量來量化不同模型之間的表示一致性，並系統分析架構設計、預訓練目標、網路深度以及放大倍率（magnification）等因素如何影響潛在空間的幾何結構。這一部分旨在揭示異構模型之間表示差異的來源，而不僅僅是給出一個相似度分數。
在量化相似性之後，MOSAIC 進一步評估了多種對齊策略，用於將各自獨立學習到的表示對映到一個共同的潛在空間中。對齊後的表示透過多個維度進行檢驗，包括跨模型一致性、檢索效能、幾何結構保持程度，以及在分子預測和形態學預測任務上的下游多示例學習（multiple-instance learning）表現。這種多維度評估有助於判斷對齊是否真正保留了有用資訊，而非僅僅在數值上拉近了距離。
總體而言，MOSAIC 提供了一個統一框架，用於研究異構病理學基礎模型能否從單純的表示相似性，邁向一個共享且具備功能可遷移性的病理表示空間。作者公開了程式碼、基準測試與補充結果，專案頁面為 https://researchsubmissions66.github.io/MOSAIC/。該工作對病理學基礎模型的複用、模型間遷移以及跨模型整合具有潛在意義。