研究人员开发了一个名为 $\mathrm{\Phi}$-Omni 的计算病理学新框架，该框架利用部分信息分解（PID）理论来改进自监督学习（SSL）模型。该方法旨在解耦组织学、基因组学和临床报告等不同数据模态之间的协同信息，以防止独特的诊断信号丢失。通过采用协同信息瓶颈（SIB）和新颖的 $\mathrm{\Phi}$ID 目标，该框架抑制了冗余并最大化了不可约协同性。在乳腺癌和肺癌队列上的预训练在外部数据集上显示出比现有方法更优越的少样本性能。 AI
影响 该框架通过更好地利用多模态数据，有望在计算病理学领域带来更准确、更鲁棒的诊断工具。
排序理由 该集群包含一篇学术论文，详细介绍了计算病理学表示学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Hugging Face
- $\mathrm{\Phi}$ID
- $\mathrm{\Phi}$-Omni
- Partial Information Decomposition
- Synergistic Information Bottleneck
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
