医学 AI

Performance Evaluation of Open-Source Large Language Models for Assisting Pathology Report Writing in Japanese

开源大语言模型在协助日文病历报告写作中的性能评估

Masataka Kawai, Singo Sakashita, Shumpei Ishikawa, Shogo Watanabe, Anna Matsuoka, Mikio Sakurai, Yasuto Fujimoto, Yoshiyuki Takahara, Atsushi Ohara, Hirohiko Miyake, Genichiro Ishii

机构 * Department of Pathology, University of Yamanashi, Chuo, Japan（山梨大学病理科） ； Division of Pathology, Exploratory Oncology Research & Clinical Trial Center, National Cancer Center, Kashiwa, Japan（国立癌症中心探索肿瘤研究与临床试验中心病理科） ； Department of Preventive Medicine, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan（东京大学医学部预防医学科） ； Department of Medical Oncology, National Cancer Center Hospital East, Kashiwa, Japan（国立癌症中心东医院医学肿瘤科） ； Department of Thoracic Surgery, National Cancer Center Hospital East, Kashiwa, Japan（国立癌症中心东医院胸外科） 纠错

专题命中 病理影像 ：pathology(title,abstract)；diagnosis(abstract)

AI总结 本文评估了开源大语言模型在协助日文病历报告写作中的性能，发现思维模型和医学专用模型在结构化报告和拼写纠正中表现优异，但解释性输出的偏好存在较大差异。

Comments 9 pages (including bibliography), 2 figures, 6 tables

Computational Pathology in the Era of Emerging Foundation and Agentic AI -- International Expert Perspectives on Clinical Integration and Translational Readiness

在新兴基础和代理AI时代 computational pathology 的发展——国际专家对临床整合与转化准备的视角

Qian Da, Yijiang Chen, Min Ju, Zheyi Ji, Albert Zhou, Wenwen Wang, Matthew A Abikenari, Philip Chikontwe, Guillaume Larghero, Bowen Chen, Peter Neidlinger, Dingrong Zhong, Shuhao Wang, Wei Xu, Drew Williamson, German Corredor, Sen Yang, Le Lu, Xiao Han, Kun-Hsing Yu, Jun-zhou Huang, Laura Barisoni, Geert Litjens, Anant Madabhushi, Lifeng Zhu, Chaofu Wang, Junhan Zhao, Weiguo Hu

机构 * Department of Pathology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China（复旦大学附属中山医院病理科，上海交通大学医学院，上海，中国） ； Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院放射肿瘤科，斯坦福，加利福尼亚州，美国） ； Department of Basic Education, Qingdao City University, Qingdao, Shandong, China（青岛城市大学基础教育系，青岛，山东省，中国） ； Department of Human Genetics, the University of Chicago, Chicago, IL, USA（芝加哥大学人类遗传学系，芝加哥，伊利诺伊州，美国） ； Department of Computer Science, University of Warwick, Coventry UK（沃里克大学计算机科学系，科文特里，英国） ； Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（卡内基梅隆大学电气与计算机工程系，匹兹堡，宾夕法尼亚州，美国） ； Department of Neurosurgery, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院神经外科，斯坦福，加利福尼亚州，美国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（哈佛医学院生物医学信息学系，波士顿，马萨诸塞州，美国） 纠错

专题命中 病理影像 ：pathology(title,abstract)；diagnosis(abstract)

AI总结 本文探讨新兴基础和代理AI在计算病理学中的临床整合与转化准备，分析技术成熟度、经济监管及实际应用挑战，提供国际专家对当前能力与障碍的评估。

LoC-Path: Learning to Compress for Pathology Multimodal Large Language Models

LoC-Path：学习压缩用于病理多模态大语言模型

Qingqiao Hu, Weimin Lyu, Meilong Xu, Kehan Qi, Xiaoling Hu, Saumya Gupta, Jiawei Zhou, Chao Chen

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV

AI总结 LoC-Path通过压缩滑片图像特征，降低多模态模型的训练和推理成本，使在有限资源下实现高效病理大语言模型成为可能。

Comments Code will be released soon

Streamline pathology foundation model by cross-magnification distillation

通过跨放大蒸馏流线病理基础模型

Ziyu Su, Abdul Rehman Akbar, Usama Sajjad, Anil V. Parwani, Muhammad Khalid Khan Niazi

专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV

AI总结 XMAG通过跨放大蒸馏方法开发出轻量级基础模型，在5倍放大下实现高效病理分析，达到与大模型相当的诊断准确率并提升30倍处理速度。

DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification

DeepHistoViT: 一种用于病理癌症分类的可解释视觉Transformer框架

Ravi Mosalpuri, Mohammed Abdelsamea, Ahmed Karam Eldaly

专题命中 病理影像 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV

AI总结 DeepHistoViT通过定制的Transformer架构和注意力机制，实现了对组织病理学图像的高精度分类，展现出在癌症诊断中的卓越性能和可解释性。

SOTA: Self-adaptive Optimal Transport for Zero-Shot Classification with Multiple Foundation Models

SOTA: 自适应最优传输用于多基础模型的零样本分类

Zhanxuan Hu, Qiyu Xu, Yu Duan, Yonghang Tai, Huafeng Li

机构 * Yunnan Normal University（云南师范大学） ； Xidian University（西安电子科技大学） ； Xi’an University of Posts and Telecommunications（西安邮电大学） ； Kunming University of Science and Technology（昆明理工大学） 纠错

专题命中 病理影像 ：pathology(abstract)；分类 cs.CV

AI总结 SOTA通过自适应最优传输方法整合多基础模型，提升零样本分类性能。

A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values

针对肺癌中缺失值的深度学习整体生存预测方法

Camillo Maria Caruso, Valerio Guarrasi, Sara Ramella, Paolo Soda

专题命中 病理影像 ：CT(abstract)；分类 cs.LG

AI总结 本文提出了一种基于transformer架构的深度学习方法，用于处理肺癌患者整体生存预测中的缺失数据，通过自适应特征嵌入和掩码自注意力机制，无需填补策略即可提升预测精度。

Comments 24 pages, 4 figures

Journal ref Computer Methods and Programs in Biomedicine 254 (2024) 108308