Whole Slide Image
PulseAugur coverage of Whole Slide Image — every cluster mentioning Whole Slide Image across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
病理基础模型赋能罕见癌症诊断的无训练病例检索
研究人员开发了一种使用病理基础模型从数字化肿瘤档案中检索相似病例的方法，无需针对特定任务进行训练。该方法允许病理学家使用全切片图像中的感兴趣区域查询档案，并找到形态学上相似的病例及其诊断代码和图像。该研究在唾液腺肿瘤数据集上评估了四种模型——Atlas2、Atlas2-B、Atlas2-S 和 UNI2h——证明了这些模型通过使科室档案可搜索来增强鉴别诊断的潜力。
-
新的AI方法增强了全切片图像病理报告的分析
研究人员开发了分析病理学中全切片图像（WSIs）的新方法。一种方法将WSI报告生成分解为不同的阶段，使用图约束多实例学习（MIL）来汇总诊断问题，并使用语言模型形成连贯的报告。该方法在外部数据集上显著提高了报告生成分数和器官识别准确性。另一种方法，测试时实例选择（TTIS），提供了一个无需训练的框架，在推理过程中从WSI中选择信息量最大的图像块，从而减少冗余并提高分析鲁棒性，而无需重新训练现有的MIL模型。
-
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。
-
MambaBack架构通过混合AI方法增强全切片图像分析
研究人员推出了一种新颖的混合架构MambaBack，旨在改进计算病理学中的全切片图像（WSI）分析。该新模型结合了Mamba和MambaOut的优势，以更好地捕捉局部细胞结构和全局上下文信息，这对于癌症诊断至关重要。MambaBack解决了在推理过程中保持2D空间局部性、优化局部特征提取和减少内存使用等挑战，在多个数据集上表现优于七种现有最先进的方法。