UNI2-H
PulseAugur coverage of UNI2-H — every cluster mentioning UNI2-H across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TAP-Path框架剪枝病理模型，提升效率和准确性
研究人员开发了TAP-Path，一个旨在使大型病理基础模型更高效、更可信的新型框架。该方法通过选择性地移除冗余的Transformer块和Patch令牌来重构现有模型，如Virchow2。剪枝过程将模型参数减少了近25%，计算量减少了35%以上，同时在组织病理学基准测试中保持甚至提高了准确性。
-
病理学模型在非诊断性脑组织中显示疾病信号 · 跟踪 2 个来源
一项新的研究论文对四种病理学基础模型（UNI2-h、Virchow2、Prov-GigaPath、H-optimus-0）进行了基准测试，评估它们从反应性中枢神经组织中识别疾病的能力。反应性中枢神经组织在活检中常被忽视。研究发现，虽然粗略的疾病预测可能受切片大小影响，但在控制了这一因素后，更精细的诊断区分仍然可以高于随机水平进行预测。值得注意的是，这些基础模型的性能在统计学上没有显著差异，这表明当前的斑块表示并不是恢复这些细微形态学特…
-
新的生存模型验证方法显示出队列依赖的性能
研究人员开发并验证了一种名为drcosarc的方法，这是一种用于离散时间多实例学习生存模型的事后保形包装器。该方法在来自The Cancer Genome Atlas (TCGA)和Clinical Proteomic Tumor Analysis Consortium (CPTAC)的多个队列中进行了测试。评估侧重于反向概率审查加权 (IPCW) 估计和中位数下预测界限 (LPB)，结果显示性能因队列、患者级别单位、估计量和审查假设而异。
-
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。
-
AI 通过新框架和技术推动医学图像分割发展 · 跟踪 8 个来源
研究人员正在开发先进的医学图像分割 AI 框架，重点是提高准确性和效率。Hi-Seg 通过人机协作增强了用于肺结节分割的 Segment Anything Model (SAM)，实现了高 Dice 分数并缩短了标注时间。PU-UNet 引入了稳定的乘法交互用于医学图像分割，在保持效率的同时提高了 Dice 和 IoU 分数。CSWinUNETR 使用交叉条纹自注意力机制和多尺度模块来处理薄的解剖结构，性能优于现有方法。此外，SegD…