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。