PulseAugur
中
实时 10:41:38
English(EN) nnMIL: A generalizable multiple instance learning framework for computational pathology

新的nnMIL框架提升了计算病理学中AI的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了nnMIL，一个新颖的多示例学习框架，旨在提高计算病理学中AI模型在准确性和泛化能力。该框架将来自基础模型的块级表示连接到幻灯片级临床预测，并在块级和特征级引入随机采样以实现高效训练。nnMIL在35个临床任务和四个病理学基础模型上展示了卓越的性能，在疾病诊断、生物标志物检测和预后预测方面优于现有方法，同时还表现出强大的跨模型泛化能力和可靠的不确定性估计。 AI

影响 增强了AI在病理学中的诊断能力，有望改善临床决策和治疗指导。

排序理由 该集群描述了一篇关于计算病理学新颖框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新的nnMIL框架提升了计算病理学中AI的准确性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xiangde Luo, Jinxi Xiang, Yuanfeng Ji, Ruijiang Li ·

    nnMIL：一种可泛化的计算病理学多实例学习框架

    arXiv:2511.14907v2 Announce Type: replace Abstract: Computational pathology holds substantial promise for improving diagnosis and guiding treatment decisions. Recent pathology foundation models enable the extraction of rich patch-level representations from large-scale whole-slide…

相关实体

相关话题