adenocarcinoma of the lung
PulseAugur coverage of adenocarcinoma of the lung — every cluster mentioning adenocarcinoma of the lung across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MIL方法提高了癌症中罕见联合分子表型预测的准确性
研究人员开发了一种名为状态感知交互MIL (State-Aware Interaction MIL) 的新型弱监督方法，以提高结直肠癌和肺腺癌中罕见联合分子表型的预测能力。该方法有效地模拟了生物标志物特异性组织学表示之间的交互作用，在预测复杂分子状态方面优于现有方法。研究利用了来自UNI2-h和CONCH的基础模型表示，证明了这些表示包含有价值的罕见表型预测信息。
-
新方法通过核化斯坦因差异提供高效的模型测试
研究人员开发了一种新的、计算上高效的方法来评估统计模型和机器学习模型的充分性，特别是那些具有难以处理的归一化常数的模型。该方法利用核化斯坦因差异框架，并引入了一种新颖的影响调整野值自举法。这种自举法避免了模型重新拟合或抽样的需要，使其比现有技术快得多。该方法在模拟中已显示出具有竞争力的或更优的效力，并已应用于分析肺腺癌肿瘤的蛋白质信号网络数据。
-
AI在病理学中的模型通过新的基准测试和伪影生成技术获得鲁棒性
两篇新的研究论文探讨了提高计算病理学中AI模型可靠性和鲁棒性的方法。第一篇论文《计算病理学中伪影检测的可靠基准测试》提出了一种量化基准测试中变异来源的协议，并指出小队列基准测试支持的结论比通常暗示的要弱。第二篇论文《Destroy Me: 自动生成组织病理学图像的伪影》介绍了一个合成真实伪影以训练AI模型的框架，与在无伪影数据上训练的模型相比，在真实世界数据集上表现得到改善。
-
新的RL框架可在全切片图像上实现快速肿瘤分割
研究人员开发了一种新颖的端到端强化学习框架，用于直接在全切片图像（WSIs）上分割肿瘤。该方法将WSI视为一个交互式、分层的环境，允许AI代理导航、缩放和选择肿瘤区域。该系统使用Proximal Policy Optimization (PPO) 和 actor-critic 架构进行训练，实现了与传统基于块的方法相当的分割质量，同时将每张幻灯片的推理时间显著缩短至仅几秒钟。这种方法有望推动RL在计算病理学中的应用。
-
人工智能利用视觉词汇绘制肺癌生长模式图
研究人员开发了一种新颖的弱监督视觉词袋（BoVW）流水线，用于从全切片图像中绘制肺腺癌生长模式图。该方法利用冻结的基础模型嵌入来学习视觉词汇，从而能够创建可解释的空间模式图。该流水线在临床相关任务（包括肿瘤/健康分类和组织学分级分类）上表现出强大的性能，通过保留关键的异质性，在某些方面优于传统的监督方法。
-
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。