PulseAugur
中
实时 02:57:28
English(EN) Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer

AI先验提升结直肠癌跨位点MSI预测能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种方法，用于提高基础模型从全切片图像预测结直肠癌微卫星不稳定（MSI）状态的泛化能力。通过引入生物学驱动的空间先验，特别是外周距离编码和局部免疫邻域编码，模型对特定位点的成像模式的依赖性降低。外周距离编码方法在一个外部数据集上显示出0.959的高MSI AUC和完美的MSS特异性，表明它捕捉到了更具不变性的生物信号。 AI

影响 为医学影像中的基础模型引入了一种新颖的正则化技术，有望提高跨位点的诊断准确性。

排序理由 学术论文，详细介绍了一种改进医学影像AI模型泛化能力的新方法。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

AI先验提升结直肠癌跨位点MSI预测能力

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Dasari Naga Raju ·

    Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer

    arXiv:2605.02660v1 Announce Type: cross Abstract: Predicting microsatellite instability (MSI) status from routine hematoxylin and eosin (H&E) whole slide images (WSIs) offers a practical alternative to molecular testing, but models trained at one institution tend to generaliz…

  2. arXiv cs.CV TIER_1 English(EN) · Dasari Naga Raju ·

    Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer

    Predicting microsatellite instability (MSI) status from routine hematoxylin and eosin (H&E) whole slide images (WSIs) offers a practical alternative to molecular testing, but models trained at one institution tend to generalize poorly to slides acquired at a different site. Found…

相关实体

相关话题