English(EN) SAGE: Semantic Explainability of Attention-Based Survival Models in Computational Pathology

新的SAGE框架为病理学中的AI提供语义解释

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-05 04:00

研究人员开发了SAGE，一个新颖的训练后框架，旨在为计算病理学中使用的基于注意力的多实例学习（ABMIL）模型提供语义、语言基础的解释。与仅提供局部注意力图的现有方法不同，SAGE通过将图像块与组织学概念词典进行评分，并根据模型学习到的注意力聚合这些分数，从而提取全局解释。这种方法可以量化特定概念如何与患者队列的预测风险相关联，其在七个TCGA癌症数据集上使用三个基础模型进行生存预测的应用证明了这一点。 AI

影响增强了医学诊断中AI模型的可解释性，可能有助于病理学家进行生物标志物发现和临床决策。

排序理由该集群描述了一篇关于计算病理学AI模型可解释性新框架的详细研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇关于计算病理学AI模型可解释性新框架的详细研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 64 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Abdallah Lamane, Abdul Rahman Diab, Ren-Chin Wu, William Lotter · 2026-08-05 04:00

SAGE：计算病理学中基于注意力生存模型的语义可解释性

arXiv:2608.02803v1 Announce Type: cross Abstract: Attention-based multiple instance learning (ABMIL) is the predominant approach for slide-level prediction in computational pathology, yet its attention maps provide only local explanations: they indicate where a model focuses but …

本文如何被排名

报道来源 [1]

SAGE：计算病理学中基于注意力生存模型的语义可解释性

相关实体

相关话题