Whole-Slide Image Analysis of Human Pancreas Samples to Elucidate the Immunopathogenesis of Type 1 Diabetes Using the QuPath Software
PulseAugur coverage of Whole-Slide Image Analysis of Human Pancreas Samples to Elucidate the Immunopathogenesis of Type 1 Diabetes Using the QuPath Software — every cluster mentioning Whole-Slide Image Analysis of Human Pancreas Samples to Elucidate the Immunopathogenesis of Type 1 Diabetes Using the QuPath Software across labs, papers, and developer communities, ranked by signal.
-
新方法增强数字病理学中的全切片图像分析 · 跟踪到2个来源
两篇新研究论文提出了用于数字病理学中全切片图像（WSIs）分析的新方法。第一篇论文介绍了SlideCRF，一个条件随机场模型，旨在适应WSI中存在的类别不平衡和复杂的组织结构，从而在有限的标注下提高预测精度。第二篇论文提出了SlideMix，一个多模态增强框架，它使用视觉语言模型来识别相关区域并打乱特征，从而增强WSI分析中多个实例学习模型的鲁棒性和泛化能力。
-
新方法通过更智能的斑块选择解决千兆像素 WSI 分析问题 · 跟踪 2 个来源
两篇新研究论文介绍了用于高效全切片图像 (WSI) 分析的新颖方法，解决了这些图像的千兆像素规模带来的计算挑战。InfoDPP-PAC 使用结合了高斯过程和多样性优化的原则性框架来选择相关的组织斑块，将斑块数量减少了 80% 以上，同时保持了高质量的选择。LanGuSTE 集成了视觉-语言模型和 LLM，以指导一个从粗到精的斑块选择过程，显著将 WSI 处理时间缩短了约 3 倍，并实现了与详尽方法相当或更优的诊断性能。
-
新的DeCo-MIL方法解决了WSI分析中的长尾分布问题
研究人员开发了DeCo-MIL，一种解决全切片图像（WSI）分析中长尾分布挑战的新方法。该方法通过采用频率去偏置反事实推理来解决幻灯片之间和幻灯片内部的长尾问题。DeCo-MIL对图像块进行聚类，通过正常原型进行干预以估计反事实贡献，并利用这些贡献来保留稀有的判别性实例。它还构建了锚点分层的伪批次，并采用尾部感知过采样来增强稀有类别的监督。在三个基准上的实验表明，DeCo-MIL取得了最先进的性能。
-
研究论文揭示病理学AI基准中普遍存在数据泄露
最近发表在arXiv上的一篇研究论文揭示了计算病理学中用于全切片图像（WSI）分析的多模态基准中存在严重的数据泄露问题。研究发现，患者级别和机构级别的数据污染普遍存在，在源自TCGA的基准中，重叠率高达92.3%至100%。这种泄露损害了视觉语言模型（VLM）的评估，使得区分真正的多模态推理和对伪影的记忆变得困难。研究人员提出了创建无污染评估的具体建议，以确保该领域取得可验证的进展。
-
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AI框架统一全切片图像分析中的病理学家分歧
研究人员开发了RaLMPH，一种用于全切片图像（WSI）分析的新型框架，解决了诊断标签中病理学家间变异性的挑战。与假设单一正确标签或全局注释者可靠性的现有方法不同，RaLMPH对局部邻域结构和专家不确定性进行建模，以识别WSI中可信赖的区域。这使得样本级的局部注释者排名和基于可靠性的自适应标签融合成为可能，从而提高了计算病理学性能。
-
数字病理学研究发现图块级人工智能基准可预测载玻片级性能
一项发表在arXiv上的新研究探讨了使用图块级性能作为数字病理学中载玻片级结果代理的效率。研究人员在42个载玻片级和16个图块级任务上对19个基础模型进行了基准测试，发现图块和载玻片性能之间存在高度相关性。这表明图块级基准测试可以有效地筛选出全载玻片图像分析的候选模型，从而显著降低与完整载玻片级流水线相关的计算成本。
-
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。