pathology
PulseAugur coverage of pathology — every cluster mentioning pathology across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PANDA框架通过不完整数据增强多模态医学预测
研究人员开发了PANDA，一个新颖的两阶段框架，旨在通过有效利用并非所有受试者都可用的辅助数据来增强多模态医学预测模型。该框架从配对数据中学习共享嵌入，并从辅助模态估计类别原型。然后，它在所有受试者上训练主要模型，将它们与这些固定的原型对齐，即使在推理时辅助数据完全缺失，也能实现有效的信息转移。PANDA已在利用MRI和表格数据进行阿尔茨海默病分类以及从病理切片进行肺癌生存期预测方面取得了改进。
-
新的基础模型统一病理和放射学用于医学图像分析
研究人员开发了CoM$^3$eT，一种用于医学图像分析的新型基础模型，它集成了病理学和放射学数据。该模型利用联邦学习和注意力机制来处理多维上下文，能够在各种成像维度上进行稀疏和密集预测。CoM$^3$eT在跨多个数据集和任务（包括报告生成）的公开竞赛中表现出色，并在参数训练效率和跨医院联邦学习的适应性方面表现出优势。
-
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。
-
新的代理架构改进了纵向个人健康管理
研究人员开发了HealthClaw，一个开源的代理架构，用于纵向个人健康管理。与将每个请求视为孤立的现有系统不同，HealthClaw会根据用户日常习惯、偏好、测量值和风险的变化来更新其支持。它将共享的医学知识和安全规则与私有的纵向记忆分开，从而实现持续改进。评估显示，与传统的提示方法相比，答案准确性显著提高，上下文暴露减少，同时还展示了改进的隐私感知质量。
-
用于诊断视觉模型故障的合成设计实验
两篇新研究论文探讨了深度视觉模型在科学背景下的失效模式。第一篇论文强调，在日常图像上验证过的标准深度学习方法，由于数据先验与模型偏差之间的不匹配，在应用于科学成像时可能会灾难性地失败。第二篇论文介绍了一种称为“用于表征充分性的合成设计实验”（SDRS）的方法，通过将合成数据生成视为一个实验过程来诊断和解决这些故障。