医学 AI

Learning Spatial-Preserving Hierarchical Representations for Digital Pathology

学习空间保持的层次表示用于数字病理学

Weiyi Wu, Xingjian Diao, Chunhui Zhang, Chongyang Gao, Xinwen Xu, Siting Li, Jiang Gui

机构 * Dartmouth College（达特茅斯学院） ； Massachusetts General Hospital（麻省总医院） ； Northwestern University（西北大学） 纠错

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

AI总结 本文提出SPAN框架，通过保留空间关系和计算分配，提升数字病理学图像的层次表示能力，通过两种变体在多个数据集上验证了其有效性。

Journal ref CVPR 2026 (Findings Track)

Bridging the Modality Bottleneck in Pathology MIL through Virtual Molecular Staining

弥合病理MIL中的模态瓶颈：通过虚拟分子染色

Yucheng Xing, Pei Liu, Jingying Ma, Ruping Hong, Jiangdong Qiu, Tianyu Liu, Kai He, Ling Huang, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Hunan University（湖南大学） ； Peking Union Medical College Hospital (PUMCH)（北京协和医学院附属阜外医院） ； Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 本文提出MIST方法，通过虚拟分子染色提升病理MIL中投影层性能，改进240/256配置，平均提升3.5%，在生存预测、组织分型和生物标志物预测中分别提升5.2%、3.3%和2.6%。

Meta-Learning Guided Pruning for Few-Shot Plant Pathology on Edge Devices

元学习引导的剪枝用于边缘设备上的少样本植物病理学

Mohammed Mudassir Uddin, Shahnawaz Alam, Mohammed Kaif Pasha, Dr Tasneem Bano Rehman, Dr Fahmina Taranum, Afroze Begum

机构 * Department of CSE, Muffakham Jah College of Engineering and Technology (MJCET)（计算机科学与工程系，穆法卡姆·贾赫工程与技术学院（MJCET）） 纠错

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

AI总结 本文提出DACIS方法，结合神经网络剪枝与少样本学习，实现边缘设备上高效植物疾病识别，实验表明模型大小减小78%且保持92.3%的精度。

When Accuracy Is Not Enough: Uncertainty Collapse between Noisy Label Learning and Out-of-Distribution Detection

当准确性不够时：噪声标签学习与分布外检测之间的不确定性崩溃

Ningkang Peng, Jingyang Mao, Runhan Zhou, Peirong Ma, Yanhui Gu

机构 * Nanjing Normal University（南京师范大学） 纠错

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

AI总结 本文研究了噪声标签学习与分布外检测之间的不确定性崩溃问题，提出了一种通用的ACC-OOD基准，揭示了高准确率并不保证分布外可靠性，提出虚拟边距正则化方法来缓解这一问题。

Deep learning-based compression of giga-resolution whole slide images

基于深度学习的高分辨率全切片图像压缩

Maren Høibø, Etienne Gaucher, Ingerid Reinertsen, Marit Valla, Erik Smistad

机构 * Department of Clinical and Molecular Medicine, Norwegian University of Science and Technology (NTNU)（临床与分子医学系，挪威科学技术大学（NTNU）） ； Clinic of Laboratory Medicine, St. Olavs hospital, Trondheim University Hospital（实验室医学诊所，圣奥拉夫医院，特罗姆瑟大学医院） ； Department of Health Research, SINTEF Digital（健康研究部，SINTEF数字） ； Department of Circulation and Medical Imaging, Norwegian University of Science and Technology (NTNU)（循环与医学成像系，挪威科学技术大学（NTNU）） 纠错

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

AI总结 本文研究了基于深度学习的全切片图像压缩方法，通过比较深度学习与传统编码方式（JPEG、JPEG-2000、JPEG-XL）在去除玻璃和压缩效果上的差异，发现深度学习压缩在减少文件大小方面更有效，但解压时间更长。

GCE-MIL: Faithful and Recoverable Evidence for Multiple Instance Learning in Whole-Slide Imaging

GCE-MIL: 多实例学习中全滑片成像的可信且可恢复的证据

Xiangyu Li, Ran Su

机构 * College of Intelligence and Computing（智能与计算学院） 纠错

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

AI总结 该研究提出GCE-MIL方法，通过优化S/N/R标准直接提升多实例学习中全滑片成像的预测性能和证据质量，改进了宏F1分数和C-index，并减少了连续-离散差距。

Comments 10 pages, 17 figures, 24 table

Spatial Blindness in Whole-Slide Multiple Instance Learning

全切片多实例学习中的空间盲区

Xiangyu Li, Ran Su

机构 * College of Intelligence and Computing（智能与计算学院） 纠错

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

AI总结 本文研究了全切片多实例学习中由于空间信息处理不足导致的分类误差问题，提出ResTopoMIL模型通过引入不变原型直方图和坐标洗牌约束来提升模型对空间关系的敏感性，从而在多个公开数据集上提升了分类和生存预测性能。

Comments 28 pages, 8 figures, 16 tables

Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models

非递减生存回归：从深度Cox模型中校准生存分布

Anchit Jain, Kevin Zhang, Stephen Bates

机构 * EECS, MIT（MIT电子工程与计算机科学系） 纠错

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

AI总结 本文提出一种非递减回归方法，用于校准深度Cox模型的生存概率，通过理论保证和实验验证提升模型实用性。

Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images

扩散注意力专家模型用于预测和半自动定位肺癌组织病理图像中的STAS

Liangrui Pan, Jiadi Luo, Yuxuan Xiao, Chenchen Nie, Xiaoshuai Wu, Songqing Fan, Ling Chu, Manqiu Li, Rongfang He, Zhenyu Zhao, Ruixing Wang, Shulin Liu, Yiyi Liang, Xiang Wang, Qingchun Liang, Shaoliang Peng

机构 * College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院） ； Department of Pathology, The Second Xiangya Hospital, Central South University（中南大学湘雅医院病理科） ； Hunan Clinical Medical Research Center for Cancer Pathogenic Genes Testing and Diagnosis（湖南临床医学肿瘤基因检测与诊断研究中心） ； Department of Thoracic Surgery, The Second Xiangya Hospital, Central South University（中南大学湘雅医院胸外科） ； Department of pathology, Hunan Cancer Hospital, The Affiliated Cancer Hospital of Xiangya School of Medicine, Central South University（湖南肿瘤医院病理科） ； Department of Pathology, The Third Xiangya Hospital, Central South University（中南大学湘雅第三医院病理科） ； Department of Pathology, First People's Hospital of Pingjiang County（平江县第一人民医院病理科） ； Department of Pathology, the First Affiliated Hospital, Hengyang Medical School, University of South China（南华大学衡阳医学院第一附属医院病理科） ； Department of Radiology, The Second Xiangya Hospital of Central South University（中南大学湘雅医院放射科） ； Department of Radiology, Xiangya Hospital, Central South University（中南大学湘雅医院放射科） ； Oncology Department and State Key Laboratory of Systems Medicine for Cancer of Shanghai Cancer Institute, Renji Hospital, School of Medicine, Shanghai Jiaotong University（上海癌症研究院肿瘤科及上海交通大学医学院系统医学重点实验室） 纠错

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

AI总结 本文提出DAEM模型，通过多尺度特征学习和双分支架构提升STAS检测精度，实现对冷冻切片和石蜡切片的高AUC值检测，并利用肿瘤微环境特征实现STAS半自动定位。

Comments Accepted by Nature Communications

Global structure of the time delay likelihood

时间延迟似然的全局结构

Namu Kroupa, Will Handley

专题命中 病理影像 ：pathology(abstract)

AI总结 本文研究了时间延迟推断中似然函数的固有病态，指出标准推断方法面临挑战，并提出通过增加活点数量等方法来确保收敛的实用解决方案。

Comments 21 pages, 8 figures

Journal ref Phys. Rev. Research 8, 023175 (2026)