ABMIL
PulseAugur coverage of ABMIL — every cluster mentioning ABMIL across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的生存模型验证方法显示出队列依赖的性能
研究人员开发并验证了一种名为drcosarc的方法，这是一种用于离散时间多实例学习生存模型的事后保形包装器。该方法在来自The Cancer Genome Atlas (TCGA)和Clinical Proteomic Tumor Analysis Consortium (CPTAC)的多个队列中进行了测试。评估侧重于反向概率审查加权 (IPCW) 估计和中位数下预测界限 (LPB)，结果显示性能因队列、患者级别单位、估计量和审查假设而异。
-
新的SAGE框架为病理学中的AI提供语义解释
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。
-
新AI方法使用患者标签训练癌症登记模型
研究人员开发了一种新颖的框架，使用基于注意力机制的多示例学习（ABMIL）来训练癌症登记任务的深度学习模型，而无需单独的报告注释。该方法利用通常未直接链接到个体病理报告的现有患者级别标签来创建高质量的训练数据集。ABMIL方法在BC癌症登记处的肿瘤分组分类方面表现出有效性，宏观F1得分达到0.83，优于其他方法。
-
数字病理学研究发现图块级人工智能基准可预测载玻片级性能
一项发表在arXiv上的新研究探讨了使用图块级性能作为数字病理学中载玻片级结果代理的效率。研究人员在42个载玻片级和16个图块级任务上对19个基础模型进行了基准测试，发现图块和载玻片性能之间存在高度相关性。这表明图块级基准测试可以有效地筛选出全载玻片图像分析的候选模型，从而显著降低与完整载玻片级流水线相关的计算成本。
-
基础模型在癌症数据全切片图像检索方面显示出适度收益
一项新研究发表在arXiv上，评估了癌症病理数据中十种不同的全切片图像检索流程。研究发现，尽管TITAN基础模型表现最佳，但其与基于块和监督方法相比的优势微乎其微。性能因器官和诊断而异，具有挑战性的亚型准确率较低，这表明基于形态学的检索在临床部署方面存在局限性。
-
基础模型通过基于注意力的学习助力肺癌生长模式预测
研究人员开发了一个基于注意力机制的多实例学习（ABMIL）框架，用于从全切片图像预测肺腺癌的生长模式。该方法通过整合预训练的病理基础模型作为块编码器，减少了对大量标注的需求。实验表明，微调这些编码器可以提高性能，在ABMIL框架下，Prov-GigaPath达到了0.699的Kappa分数，优于简单的聚合基线。