医学 AI

Patho-AgenticRAG: Towards Multimodal Agentic Retrieval-Augmented Generation for Pathology VLMs via Reinforcement Learning

病理代理RAG：通过强化学习实现多模态代理检索增强生成用于病理学视觉语言模型

Wenchuan Zhang, Jingru Guo, Hengzhe Zhang, Penghao Zhang, Jie Chen, Shuwan Zhang, Zhang Zhang, Yuhao Yi, Hong Bu

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

AI总结 本文提出Patho-AgenticRAG，通过强化学习实现多模态代理检索增强生成，解决病理学视觉语言模型在高分辨率、复杂组织结构和临床语义上的挑战，提升诊断准确性。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(35): 29921-29929, 2026

Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification

多阶段微调病理基础模型与头多样集成用于白血细胞分类

Antony Gitau, Martin Paulson, Bjørn-Jostein Singstad, Karl Thomas Hjelmervik, Ola Marius Lysaker, Veralia Gabriela Sanchez

机构 * University of South-Eastern Norway（东南挪威大学） ； Vestfold Hospital Trust（维斯特福尔医院信托） 纠错

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

AI总结 本文提出多阶段微调方法，结合头多样集成，提升白血细胞分类性能，针对不同成熟阶段的粒细胞优化不同分类头，提高分类精度。

Comments Accepted to ISBI 2026

Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset

利用基于色谱的特征表示增强脑肿瘤分类的视觉变换器

Faisal Ahmed

机构 * Department of Data Science and Mathematics, Embry-Riddle Aeronautical University（数据科学与数学系，艾姆伯-理德航空大学） 纠错

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

AI总结 本文提出基于视觉变换器的深度学习框架，结合色谱特征表示提升多类脑肿瘤分类性能，实验表明该方法在BRISC2025数据集上达到98.90%的准确率，优于ResNet50、ResNet101和EfficientNetB2等基线模型。

Comments 11 pages, 3 figures

Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization

无需提示的轻量级SAM适应用于病理学核分割的强跨数据集泛化

Muhammad Hassan Maqsood, Yanming Zhu, Alfred Lam, Getamesay Dagnaw, Xuefei Yin, Alan Wee-Chung Liew

机构 * School of Information and Communication Technology, Griffith University, QLD, Australia（信息与通信技术学院，格里菲斯大学，昆士兰，澳大利亚） ； School of MDP -- Clinical Medicine, Griffith University, QLD, Australia（MDP临床医学学院，格里菲斯大学，昆士兰，澳大利亚） 纠错

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

AI总结 本文提出一种无需提示的轻量级SAM适应方法，通过多级编码器特征和残差解码实现高效准确的核分割，实验表明其在三个基准数据集上表现优异，具有强跨数据集泛化能力。

Journal ref IEEE International Symposium on Biomedical Imaging (Oral) 2026

GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit

GOLDMARK：受控的成果关联诊断模型评估参考套件

Chad Vanderbilt, Gabriele Campanella, Siddharth Singi, Swaraj Nanda, Jie-Fu Chen, Ali Kamali, Amir Momeni Boroujeni, David Kim, Mohamed Yakoub, Jamal Benhamida, Meera Hameed, Neeraj Kumar, Gregory Goldgof

机构 * Department of Pathology and Laboratory Medicine, Memorial Sloan Kettering Cancer Center（病理学与实验室医学部，纪念斯隆凯特琳癌症中心） ； Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai（西蒙山医学院的数字健康研究所，西蒙山医学院） 纠错

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

AI总结 GOLDMARK通过标准化框架和临床可操作的生物标记物标签，为计算病理学提供可重复的基准测试和方法比较，提升模型在不同数据集和模型间的可比性。

Mixture of Mini Experts: Overcoming the Linear Layer Bottleneck in Multiple Instance Learning

混合小专家：克服多实例学习中的线性层瓶颈

Daniel Shao, Joel Runevic, Richard J. Chen, Drew F. K. Williamson, Ahrong Kim, Andrew H. Song, Faisal Mahmood

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； Emory University（埃默里大学） ； MD Anderson Cancer Center（MD安德森癌症中心） 纠错

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

AI总结 本文提出MAMMOTH模块，通过低秩变换提升多实例学习中任务特定特征提取，实验显示其在130种配置中提升性能，平均提升3.8%。

Comments Published in ICLR 2026 (37 pages, 16 figures)

Parameter-efficient Prompt Tuning and Hierarchical Textual Guidance for Few-shot Whole Slide Image Classification

高效参数提示调优与层次文本引导在少样本整张滑片图像分类中的应用

Jayanie Bogahawatte, Sachith Seneviratne, Saman Halgamuge

机构 * AI, Optimization and Pattern Recognition Research Group（人工智能、优化与模式识别研究组） ； Dept. of Mechanical Eng., University of Melbourne, Australia（墨尔本大学机械工程系，澳大利亚） 纠错

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

AI总结 本文提出高效参数提示调优和层次文本引导方法，以解决少样本整张滑片图像分类中的计算成本和信息损失问题，实验显示在乳腺、肺癌和卵巢癌数据集上均取得显著提升。

Comments Accepted for publication at CVPR 2026 Workshop on Medical Reasoning with Vision Language Foundation Models (Med-Reasoner)

Jigsaw Regularization in Whole-Slide Image Classification

整张滑片图像分类中的Jigsaw正则化

So Won Jeong, Veronika Ročková

机构 * Booth School of Business, The University of Chicago, IL, USA（芝加哥大学商学院） 纠错

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

AI总结 本文提出一种基于图神经网络和Jigsaw正则化的新型方法，通过引入视觉基础模型嵌入和跨块空间意识，提升多实例学习在乳腺癌、头颈癌和结肠癌等基准数据集上的分类性能。

Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

高效的人工智能驱动多切片整张滑动图像分析用于前列腺癌生物化学复发预测

Yesung Cho, Dongmyung Shin, Sujeong Hong, Jooyeon Lee, Seongmin Park, Geongyu Lee, Jongbae Park, Hong Koo Ha

机构 * Pusan National University（釜山国立大学） ； Kyunghee University（庆熙大学） ； OmixAI Co. Ltd.（OmixAI公司） ； Oncocross Co. Ltd.（Oncocross公司） 纠错

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

AI总结 本文提出一种高效的人工智能框架，通过多切片病理切片同时处理，全面分析前列腺癌肿瘤景观，提升生物化学复发预测的准确性，优于传统临床指标。

Microscopy image reconstruction with physics-informed denoising diffusion probabilistic model

利用物理信息的去噪扩散概率模型进行显微图像重建

Rui Li, Gabriel della Maggiora, Vardan Andriasyan, Anthony Petkidis, Artsemi Yushkevich, Mikhail Kudryashev, Artur Yakimovich

专题命中 病理影像 ：biomedical(abstract)；分类 q-bio

AI总结 本文提出将显微成像物理问题融入模型损失函数，通过合成数据训练，改进DDPM以减少伪影，提升显微图像重建质量。

Comments 16 pages, 5 figures

Journal ref Communications Engineering 3, no. 1 (2024): 186