Pathologists' assistant
PulseAugur coverage of Pathologists' assistant — every cluster mentioning Pathologists' assistant across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的SAGE框架为病理学中的AI提供语义解释
研究人员开发了SAGE，一个新颖的训练后框架，旨在为计算病理学中使用的基于注意力的多实例学习（ABMIL）模型提供语义、语言基础的解释。与仅提供局部注意力图的现有方法不同，SAGE通过将图像块与组织学概念词典进行评分，并根据模型学习到的注意力聚合这些分数，从而提取全局解释。这种方法可以量化特定概念如何与患者队列的预测风险相关联，其在七个TCGA癌症数据集上使用三个基础模型进行生存预测的应用证明了这一点。
-
新基准和方法推动医学视觉语言模型发展
研究人员开发了新的基准和蒸馏技术，以提高视觉语言模型（VLM）在医学领域的性能。PathAgentBench 专注于评估 VLM 直接从全切片病理图像中获取和整合证据的能力，揭示了当前模型在证据获取方面存在显著的性能差距。同时，Med-OPD 引入了一种面向证据的在线策略蒸馏方法，以增强医学 VLM 对视觉证据的依赖，而非语言先验。此外，一个用于 PET/CT 报告生成的新越南语多模态数据集旨在提高 VLM 在低资源语言和功能成像任务…
-
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。
-
AI 系统在 H&E 组织分析中媲美病理学家
研究人员开发了 Atlas H&E-TME，一个用于可扩展组织分析的 AI 系统。该系统利用基础模型分析苏木精和伊红 (H&E) 染色全切片图像，每张切片可生成数千个定量读数。在仅分析 H&E 切片时，Atlas H&E-TME 的表现已达到或超过专家病理学家的水平，并且在各种癌症类型和成像来源上均表现出良好的泛化能力。
-
胃癌AI模型GRACE提升病理学家准确性
研究人员开发了GRACE，一个专门用于胃癌病理的AI基础模型，该模型在包含超过48,000张全切片图像的大型数据集上进行了训练。在包括癌前病变识别和分子分型在内的各项诊断任务中，该模型表现优于通用的病理基础模型。在一项读者研究中，GRACE显著提高了病理学家的诊断准确性，缩短了分析时间，并增强了评分者间的一致性，显示出其在真实世界临床决策支持方面的巨大潜力。