Computational Pathology
PulseAugur coverage of Computational Pathology — every cluster mentioning Computational Pathology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
新的nnMIL框架提升了计算病理学中AI的准确性
研究人员开发了nnMIL，一个新颖的多示例学习框架，旨在提高计算病理学中AI模型在准确性和泛化能力。该框架将来自基础模型的块级表示连接到幻灯片级临床预测，并在块级和特征级引入随机采样以实现高效训练。nnMIL在35个临床任务和四个病理学基础模型上展示了卓越的性能，在疾病诊断、生物标志物检测和预后预测方面优于现有方法，同时还表现出强大的跨模型泛化能力和可靠的不确定性估计。
-
BEACON 框架使用贝叶斯证据获取进行 Agentic WSI 推理 · 跟踪 2 个来源
研究人员开发了 BEACON，一个用于 Agentic 全切片图像 (WSI) 推理的新框架，解决了当前方法的局限性。与依赖语义相关性进行块检索的现有方法不同，BEACON 利用贝叶斯证据获取来最大化预期的信息增益，从而降低诊断不确定性。这个即插即用的框架，构建于现成的基础模型之上，无需额外训练，并在 WSI-VQA 基准测试中展示了卓越的性能和效率。
-
病理学中的AI：专家主张使用器官特异性模型而非通用模型
最近一篇文章提出为计算病理学开发器官特异性嵌入模型，挑战了为所有病理学任务创建大型通用基础模型的普遍趋势。作者认为，每个器官独特的生物学和形态学特征需要专门的AI模型，就像人类医学分为专科一样。跨不同器官训练单一模型可能会导致妥协，为了更广泛的适用性而牺牲至关重要的器官特异性细节。仅在单一器官的组织病理学图像上训练的器官特异性模型，有可能为各种下游临床应用提供更有意义的表示，从而在病理学中实现更可靠的AI系统。
-
新的基础模型通过多分辨率图像分析推动计算病理学发展
研究人员开发了多分辨率金字塔Transformer (MRPT)，这是一种专为计算病理学设计的新型基础模型。该模型通过在细胞、组织和WSI层面跨多个分辨率分层聚合信息，有效地处理吉像素全切片图像。MRPT利用连续跨分辨率注意力机制捕捉尺度无关的交互，并强制跨分辨率的语义一致性，从而产生鲁棒的WSI表示。MRPT在大规模数据集上进行了预训练，在癌症亚型分类和WSI理解等各种任务中，其性能优于现有的基础模型和多模态大语言模型。
-
新的主动学习框架大幅降低组织病理学标注成本
研究人员开发了SHAL（Slide-level Hybrid Active Learning），一个新颖的框架，旨在显著降低组织病理学图像分割深度学习模型的标注负担。这种患者级别的（patient-level）方法通过改进不确定性估计、与切片级别（slide-level）标注工作流程保持一致，并显式管理类别不平衡，来解决现有主动学习方法的局限性。SHAL集成了前景感知（foreground-aware）、阶段自适应（stage-ada…
-
研究论文揭示病理学AI基准中普遍存在数据泄露
最近发表在arXiv上的一篇研究论文揭示了计算病理学中用于全切片图像（WSI）分析的多模态基准中存在严重的数据泄露问题。研究发现，患者级别和机构级别的数据污染普遍存在，在源自TCGA的基准中，重叠率高达92.3%至100%。这种泄露损害了视觉语言模型（VLM）的评估，使得区分真正的多模态推理和对伪影的记忆变得困难。研究人员提出了创建无污染评估的具体建议，以确保该领域取得可验证的进展。
-
新数据集将子宫病理图像与报告配对，用于人工智能研究
研究人员推出了 TUM-Uteria，这是一个旨在推进计算病理学多模态学习的新数据集。该数据集将子宫组织的全切片图像与相应的诊断病理报告配对，解决了此类配对数据严重短缺的问题。TUM-Uteria 包含 216 个临床病例，拥有 455 个切片级 WSI-报告对，并经过认证病理学家的验证，以支持人工智能辅助诊断和自动化报告生成方面的研究。
-
新方法推进病理图像分析的持续学习 · 跟踪5个来源
研究人员开发了计算病理学中持续学习的两种新方法，重点关注全切片图像（WSI）的生存分析。第一种方法MergeSurv采用基于合并的框架，其中病理视觉语言基础模型在各个癌症队列上进行微调，并按顺序合并其参数。该方法及其推理策略One-for-All (OFA) 和 Voting-Expert Aggregation (VEA) 在TCGA队列的实验中，表现优于朴素微调和其他持续学习技术，有效缓解了灾难性遗忘。第二种方法将模型合并与测试时…
-
新AI框架统一全切片图像分析中的病理学家分歧
研究人员开发了RaLMPH，一种用于全切片图像（WSI）分析的新型框架，解决了诊断标签中病理学家间变异性的挑战。与假设单一正确标签或全局注释者可靠性的现有方法不同，RaLMPH对局部邻域结构和专家不确定性进行建模，以识别WSI中可信赖的区域。这使得样本级的局部注释者排名和基于可靠性的自适应标签融合成为可能，从而提高了计算病理学性能。
-
新的AGE-MIL框架提升了病理学中的患者级别预测能力
研究人员推出了一种新颖的AGE-MIL框架，旨在改进计算病理学中的患者级别预测。这种弱监督方法解决了现有的全切片图像（WSI）级别方法与病理学家为诊断整合多张切片证据的方式之间的不匹配问题。AGE-MIL构建了一个患者级别的锚点，以捕捉全局上下文并指导相关局部块的整合，从而提高预测的可靠性。
-
AI模型在病理学挑战中难以进行真实世界有丝分裂检测
MIDOG 2025挑战赛评估了AI模型在多样化的生物和上下文场景中检测有丝分裂的能力，超越了传统热点分析。该挑战包括检测非典型有丝分裂图形，并在不同扫描平台上的12种不同肿瘤类型上测试了模型。结果显示，在具有挑战性的区域和不同肿瘤类型上，性能均显著下降，表明当前模型难以应对真实的临床变异性。
-
ConceptM$^3$oE AI 提供可解释的病理诊断
研究人员开发了一种名为 ConceptM$^3$oE 的新 AI 架构，专为可解释计算病理学设计。该模型整合了包括全切片图像、病理报告和分子测量在内的多模态数据，以提高诊断准确性。通过将概念形成嵌入其专家混合通路中，ConceptM$^3$oE 可以将潜在特征映射到概念层次结构，提供由神经病理学家验证的可验证推理痕迹。该框架在数据受限的情况下表现出更高的性能和更快的收敛速度，使其成为临床实践的有前景的工具。
-
MambaBack架构通过混合AI方法增强全切片图像分析
研究人员推出了一种新颖的混合架构MambaBack，旨在改进计算病理学中的全切片图像（WSI）分析。该新模型结合了Mamba和MambaOut的优势，以更好地捕捉局部细胞结构和全局上下文信息，这对于癌症诊断至关重要。MambaBack解决了在推理过程中保持2D空间局部性、优化局部特征提取和减少内存使用等挑战，在多个数据集上表现优于七种现有最先进的方法。