H-optimus-1
PulseAugur coverage of H-optimus-1 — every cluster mentioning H-optimus-1 across labs, papers, and developer communities, ranked by signal.
-
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。
-
LitePath框架提供高效、低成本的计算病理学分析
研究人员开发了LitePath，一个旨在使计算病理学模型更高效、更易于部署的新框架。LitePath使用了一个名为LiteFM的蒸馏模型，它比Virchow2等现有模型小得多，需要的计算资源也更少。该框架能够对全切片图像进行更快、更节能的分析，即使在NVIDIA Jetson Orin Nano Super等可访问的硬件上也能实现。在众多队列和任务上的评估表明，LitePath在大幅减少处理时间和能源消耗的同时，保持了高诊断准确性，甚…
-
病理学基础模型在有丝分裂计数检测方面展现潜力
研究人员探索了病理学基础模型（FMs）作为有丝分裂计数检测编码器的有效性，将其应用从通常的分类任务扩展开来。该研究将几种基础模型，包括H-optimus-0和Virchow模型，与ResNet50基线进行了比较，并将它们集成到不同的检测架构中，如RetinaNet、Faster R-CNN和Deformable DETR。结果表明，H-optimus-0和Virchow模型表现出具有竞争力的性能，这表明通过图像级自监督训练的基础模型潜…
-
新基准PathReportEval标准化病理报告生成评估
研究人员推出了PathReportEval，这是一个新的基准和评估框架，旨在标准化对全切片图像病理报告生成任务的评估。该框架解决了现有方法存在的局限性，这些方法通常使用不一致的数据集和评估协议，导致模型性能难以比较。一项关键创新是临床报告质量评分（CRQS），这是一个基于临床的指标，用于衡量事实准确性、召回率、幻觉率和不一致性，比BLEU和ROUGE等传统词汇指标提供了更可靠的评估。
-
新框架为边缘部署创建高效的病理模型
研究人员开发了一种名为 MuCoDi 的新预训练框架，用于创建更小、更高效的病理基础模型 (PFM)，适用于边缘部署。该方法使用对比蒸馏目标，将知识从多个大型 PFM 蒸馏到轻量级学生模型（如 MobileOne 和 RepViT）中。生成的 MuCoEdge 模型显著减小了模型尺寸和推理成本，在各种下游分类任务上取得了接近其大型对应模型的性能，并在 Raspberry Pi 5 等设备上展示了实际可用性。
-
新框架评估基础模型对生物学的理解
研究人员开发了一个新框架，用于评估病理基础模型从组织病理学数据中学习到的内容。该方法利用空间转录组学来评估注意力图谱的生物学一致性，超越了定性评估。研究发现，不同的模型关注不同的生物学区域，并且注意力捕捉的是更广泛的转录程序，而不是特定的分子事件。
-
病理基础模型在乳腺癌生存预测方面进行基准测试
一项新研究使用组织病理图像对病理基础模型（PFMs）在预测乳腺癌生存方面的表现进行了基准测试。该研究在三个独立的患者队列中评估了多个PFMs，发现H-optimus-1表现最佳。第二代PFMs普遍优于早期模型，尽管性能提升已变得不显著。值得注意的是，一个较小的蒸馏模型H0-mini取得了比其更大的对应模型H-optimus-0更好的结果，同时效率也显著提高。