研究人员开发了分析病理学中全切片图像（WSIs）的新方法。一种方法将WSI报告生成分解为不同的阶段，使用图约束多实例学习（MIL）来汇总诊断问题，并使用语言模型形成连贯的报告。该方法在外部数据集上显著提高了报告生成分数和器官识别准确性。另一种方法，测试时实例选择（TTIS），提供了一个无需训练的框架，在推理过程中从WSI中选择信息量最大的图像块，从而减少冗余并提高分析鲁棒性，而无需重新训练现有的MIL模型。 AI
影响 这些进展可能带来更准确、更具可解释性的病理学AI驱动诊断工具，提高效率和诊断准确性。
排序理由 两篇不同的研究论文提出了全切片图像分析的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.15353v1 Announce Type: new Abstract: Whole-slide image (WSI) report generation requires recognizing spatially distributed pathological features and organizing them into a coherent diagnostic narrative. Although direct vision-to-text models can yield fluent reports, the…
arXiv:2608.14759v1 Announce Type: cross Abstract: Whole Slide Image (WSI) analysis has been widely studied for cancer diagnosis. Conventionally, a gigapixel WSI is divided into small patches and processed by Multiple Instance Learning (MIL) models. However, existing MIL models ty…