研究人员开发了一个名为空间语言消息传递 (SLMP) 的新框架，以改进多模态大语言模型 (MLLM) 如何解释病理图像。SLMP 通过将图像区域表示为空间文本图来解决全切片图像 (WSI) 超过 MLLM 上下文限制的挑战。在该图中，瓦片是带有初始描述的节点，边表示空间邻近性。然后，LLM 通过整合来自相邻瓦片的消息来优化每个瓦片的描述，从而在不微调 MLLM 权重的情况下实现语义优化。该方法在 HER2 和 CAMELYON16 数据集上的瓦片级肿瘤描述准确性方面显示出显著的改进，缩小了通用 MLLM 和专用 MLLM 之间的性能差距。 AI
影响 增强了 LLM 在医学图像分析方面的能力，有可能提高诊断的准确性和效率。
排序理由 该项目是一篇详细介绍新框架及其实验结果的学术论文。[lever_c_research 降级：ic=1 ai=1.0]
- CAMELYON16
- ERBB2
- multimodal large language model
- SLMP
- Spatial Language Message Passing
- Spatial Message Passing in Language Space for Pathology Image Interpretation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
