医学 AI

A Digital Pathology Resource for Liver Cancer Quantification with Datasets, Benchmarks, and Tools

用于肝癌定量的数字病理资源：包含数据集、基准和工具

Ying Xiao, Shimiao Tang, Xitong Ling, Weiming Chen, Jun Wang, Jiawen Li, Huaitian Yuan, Jianghui Yang, Bowen Li, Huan Li, Yiting Meng, Tian Guan, Yonghong He, Hongfang Yin

机构 * Department of Pathology, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua Medicine, Tsinghua University, Beijing, China（北京清华长庚医院病理科，临床医学学院，清华大学医学院，清华大学，北京，中国） ； Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（深圳国际研究生院，清华大学，深圳，中国） 纠错

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

AI总结 本文提出HepatoBench数据集及HepatoQuant工具，解决肝癌细粒度组织成分识别难题，提供统一的定量分析流程。

Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction

对乳腺癌生存预测的病理基础模型进行基准测试

Fredrik K. Gustafsson, Constance Boissin, Johan Vallon-Christersson, David A. Clifton, Mattias Rantalainen

机构 * Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Division of Oncology, Department of Clinical Sciences Lund, Lund University（卢德大学临床科学系肿瘤学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州先进研究中心） 纠错

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

AI总结 本文通过标准化流程评估了多种病理基础模型在乳腺癌生存预测中的性能，发现H-optimus-1表现最佳，且第二代模型优于第一代，但多数模型性能差异较小，紧凑模型H0-mini在参数较少的情况下表现更优。

Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images

利用医学基础模型特征在基于图神经网络的乳腺组织病理学图像检索中

Nematollah Saeidi, Hossein Karshenas, Bijan Shoushtarian, Sepideh Hatamikia, Ramona Woitek, Amirreza Mahbod

机构 * Artificial Intelligence Department, Faculty of Computer Engineering, University of Isfahan, Isfahan, Iran ； Department of Computer Engineering Techniques, Mazaya University College, Nasiriyah, Iraq ； Department of Medicine, Danube Private University, Krems an der Donau, Austria ； Austrian Center for Medical Innovation ； Research Center for Medical Image Analysis ； Artificial Intelligence, Department of Medicine, Danube Private University, Krems an der Donau, Austria 纠错

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

AI总结 本文提出一种基于图神经网络和对抗正则化的变分自编码器模型，利用医学基础模型特征提升乳腺病理图像检索性能，实验显示其在mAP和mMV指标上优于传统方法。

Comments 29 pages

Journal ref International Journal of Imaging Systems and Technology, 2026

Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis

层次化原型域先验用于多实例学习的多模态病理分析

Xuemei Qiu, Dawei Fan, Yebin Huang, Yanping Chen, Lifang Wei

机构 * College of Computer and Information Science, Fujian Agriculture and Forestry University（福建农林大学计算机与信息科学学院） ； College of Future Technology, Fujian Agriculture and Forestry University（福建农林大学未来技术学院） ； Digital Fujian Institute of Agricultural Big Data, Fujian Agriculture and Forestry University（福建农业大数据数字福建研究院） ； Department of Pathology, Clinical Oncology School of Fujian Medical University, and Fujian Cancer Hospital（福建医科大学临床肿瘤学院病理科及福建癌症医院） 纠错

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

AI总结 本文提出HPDP框架，通过引入形态锚定原型系统和正弦位置编码，解决多实例学习中数据驱动黑箱问题，提升病理诊断与预后分析的鲁棒性和可解释性。

On the Complementarity of Quantum and Classical Features: Adaptive Hybrid Quantum-Classical Feature Fusion for Breast Cancer Classification

量子与经典特征的互补性：面向乳腺癌分类的自适应混合量子-经典特征融合

Yasmin Rodrigues Sobrinho, João Renato Ribeiro Manesco, João Paulo Papa

机构 * Department of Computing, São Paulo State University（圣保罗州大学计算机系） 纠错

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

AI总结 本文提出一种混合量子-经典架构，通过双分支特征提取管道融合经典模型和量子电路的互补表示，引入三种特征融合策略提升乳腺癌分类性能。

Comments 41 pages, 16 figures. This manuscript is a preprint under review at Artificial Intelligence in Medicine

SIMPLER: H&E-Informed Representation Learning for Structured Illumination Microscopy

SIMPLER: 基于H&E的结构光照明显微镜表示学习

Abu Zahid Bin Aziz, Syed Fahim Ahmed, Gnanesh Rasineni, Mei Wang, Olcaytu Hatipoglu, Marisa Ricci, Malaiyah Shaw, Guang Li, J. Quincy Brown, Valerio Pascucci, Shireen Elhabian

机构 * Kahlert School of Computing, University of Utah, Salt Lake City, UT 84112, USA Scientific Computing \& Imaging Institute, University of Utah, Salt Lake City, UT 84112, USA Instapath Inc., Houston, TX 77021 Tulane University, Department of Biomedical Engineering, New Orleans, Louisiana, United States 纠错

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

AI总结 本文提出SIMPLER框架，利用H&E作为语义锚点学习可重用的SIM表示，通过对抗、对比和重建目标逐步对齐SIM和H&E，提升跨模态任务性能。

TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data

TEMPO：从横断面数据中基于变换器的疾病进展模型

Hongtao Hao, Joseph L. Austerweil

机构 * University of Wisconsin—Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） 纠错

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

AI总结 TEMPO通过基于模拟的监督学习，从横断面数据中学习有序和连续事件序列，显著提高了疾病阶段预测的准确性，适用于高维数据和ADNI数据集。

Comments 31 pages; Published at Conference on Health, Inference, and Learning (CHIL) 2026

Journal ref Proceedings of Machine Learning Research, 333, 2026

Unified Multi-Foundation-Model Slide Representation for Pan-Cancer Recognition and Text-Guided Tumor Localization

统一多基础模型滑片表示用于泛癌症识别和文本引导的肿瘤定位

Tianyang Wang, Ziyu Su, Abdul Rehman Akbar, Usama Sajjad, Lina Gokhale, Charles Rabolli, Wei Chen, Anil Parwani, Muhammad Khalid Khan Niazi

机构 * Department of Pathology, College of Medicine, The Ohio State University Wexner Medical Center（病理学系，医学学院，俄亥俄州立大学韦克斯纳医学中心） ； Department of Biomedical Engineering, The Ohio State University（生物医学工程系，俄亥俄州立大学） 纠错

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

AI总结 本文提出ASTRA框架，通过整合异构基础模型表示，结合结构化病理标注字段，实现统一的滑片表示学习，支持多类别分类和文本引导的肿瘤定位。

Learned Dictionaries with Total Variation and Non-Negativity for Single-Cell Microscopy: Convergence Theory and Deterministic Multi-Channel Cell Feature Unification

具有总变分和非负性的学习字典用于单细胞显微镜：收敛理论和确定性多通道细胞特征统一

Erdem Altuntac

专题命中 病理影像 ：clinical AI(abstract)

AI总结 本文提出一种结合总变分和非负性约束的字典学习算法，用于单细胞显微镜信号重建，通过交替近端梯度法实现收敛，并在多通道细胞特征统一中实现物理意义的重建，实验验证其在细胞分类中的有效性。