Gleason patterns
PulseAugur coverage of Gleason patterns — every cluster mentioning Gleason patterns across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI系统使用可解释的形态学特征对前列腺活检进行分级 · 跟踪2个来源
研究人员开发了一个深度学习系统,该系统能够以与病理学家相当的准确性对前列腺活检进行分级。该系统利用了一个在活检数据上预训练的稀疏自编码器,该自编码器识别并命名了特定的Gleason形态,如筛状腺和索状结构。这些命名的特征不仅有助于预测Gleason模式和Grade Groups,还提供了可解释的形态学证据,即使在多位病理学家的评估下,这些证据在不同数据集和扫描仪之间也保持稳定和可迁移性。
-
新的MIL框架从切片级标签估计前列腺癌格里森评分
研究人员开发了一种新颖的多实例学习(MIL)框架,用于估计前列腺癌组织病理学中的实例级格里森评分模式。该方法利用了临床实践中常见的切片级初级和次级格里森评分标签,但这些标签缺乏详细的实例级注释。该框架有效地模拟了模式的主导性,并聚合实例预测以符合格里森评分的临床定义。实验表明,该方法在SICAP-MIL数据集上的表现优于现有的MIL方法。
-
AI模型从病理学家注意力中学习,实现高效的组织病理学分析
研究人员开发了两种分析组织病理图像的新方法,旨在提高医学诊断的效率和准确性。第一种方法SASHA利用深度强化学习和注意力机制,智能地对大型全切片图像的关键区域进行采样和放大,以计算成本的一小部分实现了与全分辨率分析相当的诊断准确性。第二种方法将病理学家的视觉注意力整合到前列腺组织病理报告生成模型中,使用了视口轨迹和口头描述的多模态数据集。这种注意力对齐损失使模型的注意力与人类焦点保持一致,从而在自然语言处理指标以及报告生成和视觉问答的…