pathology foundation models
PulseAugur coverage of pathology foundation models — every cluster mentioning pathology foundation models across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LaGuadia框架使用语言蒸馏病理学AI模型
研究人员开发了LaGuadia，一个新颖的框架，通过自适应地从多个大型病理学基础模型中蒸馏知识来创建高效的病理学图像编码器。该方法使用从病理学报告中提取的临床关键词来指导蒸馏过程，确保每个教师模型的贡献根据其与临床叙事的语义相关性进行加权。实验表明，一个显著更小的LaGuadia模型可以在各种任务上匹配或超越大型基础模型的性能，突显了语言引导的语义锚定在构建可靠的数字病理学系统方面的有效性。
-
BRIGHT模型通过通才-专才框架推进乳腺病理学研究 · arXiv研究
研究人员开发了BRIGHT，这是一种专门针对乳腺病理学的新型基础模型。该模型集成了协作式通才-专才框架，利用了来自多家医院和患者的超过51,000张乳腺全切片图像。与现有的通才病理学基础模型相比，BRIGHT在包括诊断和生存预测在内的25项乳腺肿瘤学临床任务中表现出优越的性能，取得了最先进的结果。
-
新框架DICE通过[uncertainty estimation]增强AI病理模型可靠性
研究人员开发了一个名为DICE的新框架，以提高全切片图像分析的病理基础模型（PFMs）的可靠性。该框架集成了多个固定的PFMs，并利用它们的差异来估计预测的不确定性。通过深度互学习对这些集成成员进行对齐，DICE提供了更有意义的置信度估计，甚至可以在没有明确监督的情况下定位异常。在三个基准上的评估表明，DICE在各种设置下都能准确标记不可靠的预测，并在分类、校准和定位方面达到或超过最先进的方法，使PFMs更接近临床决策支持。
-
新的 GLMP 框架使用 LLM 提高病理模型泛化能力
研究人员开发了 GLMP，一个旨在通过减轻批次效应来提高病理基础模型泛化能力的新框架。这种新颖的方法利用多模态大型语言模型 (MLLMs) 通过中间文本表示从组织病理图像块生成鲁棒的数值嵌入。通过优先考虑生物学上有意义的信号而非机构特定的伪影，GLMP 旨在提高跨机构的性能，并代表了创建通用病理模型的新范例。
-
新工具指导病理学数据AI模型预训练
研究人员开发了SlideCheck，一个旨在指导病理学基础模型自监督预训练的工具。该工具通过分析数据集分布来运作，并为全切片图像（WSIs）中的异常和恶性提供明确的评分。通过根据这些评分对预训练数据进行组织、过滤和审计，SlideCheck旨在提高病理学基础模型开发的效率和可控性。实验表明，使用SlideCheck整理的数据可以影响下游模型的行为，并达到与在完整数据集上训练的模型相当的性能。
-
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。
-
新的AI模型整合空间组学数据以获得生物学见解
研究人员开发了HEIST，一种用于分析空间转录组学和蛋白质组学数据的分层图Transformer模型。该模型将组织表示为分层图，同时捕获空间细胞关系和内部基因表达网络。HEIST在来自不同器官的大量细胞数据集上进行了预训练，证明了其对新数据类型的泛化能力，并在临床结果预测和细胞类型注释等任务中取得了最先进的性能。另一项研究介绍了STAMP，一个利用空间转录组学指导病理学基础模型，通过将转录组学数据对齐到功能通路来增强其从组织学图像推断…
-
新方法提高病理模型跨医院的鲁棒性
研究人员开发了一种新方法，以提高病理基础模型（PFMs）在不同医院之间的鲁棒性。该技术称为局部最大均值差异（LMMD），有助于分类器在从一家医院的数据训练并在另一家医院的数据上应用时保持性能。这种方法在域适应（可获得部分目标医院数据）和域泛化（无法获得目标数据）方面都有效。
-
新的基准SpaPath-Bench评估病理AI模型的空间理解能力
研究人员推出SpaPath-Bench，一个旨在评估病理基础模型（PFM）空间表征能力的新基准。该基准通过在配对的全切片图像和空间转录组数据上进行空间域识别，评估PFM嵌入区分组织区域和理解空间关系的能力。SpaPath-Bench包含42个公共数据集，经过超过83,000次评估运行，揭示了不同的预训练方法捕捉了组织空间结构的独特方面，为未来的模型开发提供了指导。
-
基础模型通过基于注意力的学习助力肺癌生长模式预测
研究人员开发了一个基于注意力机制的多实例学习（ABMIL）框架，用于从全切片图像预测肺腺癌的生长模式。该方法通过整合预训练的病理基础模型作为块编码器，减少了对大量标注的需求。实验表明，微调这些编码器可以提高性能，在ABMIL框架下，Prov-GigaPath达到了0.699的Kappa分数，优于简单的聚合基线。