医学 AI - arXivDaily 专题

2607.08299 2026-07-15 cs.LG 版本更新 83%

MLPTR-CC: Multi-label Pathology Test Recommendation using Classifier Chains and SHAP

基于分类器链的病理检查推荐

Abu Rafe Md Jamil, Nayan Malakar

机构 * Department of Computer Science and Engineering（计算机科学与工程系）； Jashore University of Science and Technology（贾绍尔科学技术大学）

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

AI总结研究针对病理检查推荐延迟问题，引入基于分类器链技术的系统，将其构建为多标签分类问题。收集数据应用多种算法比较模型，通过可解释人工智能技术确保模型透明度和临床可解释性，提高传统算法在诊断过程中的效率并提供准确推荐。

2606.12346 2026-07-15 cs.CV cs.AI cs.LG 版本更新 62%

Atlas H&E-TME: Scalable AI-Based Tissue Profiling at Expert Pathologist-Level Accuracy

Atlas H&E-TME：基于AI的可扩展组织分析，达到专家病理学家级别的准确性

Kai Standvoss, Miriam Hägele, Rosemarie Krupar, Julika Ribbat-Idel, Jennifer Altschüler, Gerrit Erdmann, Hans Pinckaers, Evelyn Ramberger, Madleen Drinkwitz, Ádám Nárai, Alexander Möllers, Katja Lingelbach, Sebastian Kons, Lukas Hönig, Recepcan Adigüzel, Joana Baião, Alberto Megina Gonzalo, Marius Teodorescu, Marie-Lisa Eich, Paolo Chetta, Shakil Merchant, Verena Aumiller, Simon Schallenberg, Andrew Norgan, Klaus-Robert Müller, Lukas Ruff, Maximilian Alber, Frederick Klauschen

机构 * Aignostics, Germany（Aignostics，德国）； Institute of Pathology, Charité – Universitätsmedizin Berlin, Germany（柏林夏里特医学院病理学研究所）； Berlin Institute of Health, Charité – Universitätsmedizin Berlin, Germany（柏林夏里特医学院柏林健康研究所）； Massachusetts General Hospital, Department of Pathology, Harvard Medical School, Boston, MA, US（哈佛医学院麻省总医院病理学系）； Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, MN, US（梅奥诊所检验医学与病理学系）； Machine Learning Group, Technische Universität Berlin, Germany（柏林工业大学机器学习组）； BIFOLD – Berlin Institute for the Foundations of Learning and Data, Germany（柏林学习与数据基础研究所）； Department of Artificial Intelligence, Korea University, Republic of Korea（高丽大学人工智能系）； Max-Planck Institute for Informatics, Germany（马克斯·普朗克信息学研究所）； German Cancer Research Center (DKFZ) & German Cancer Consortium (DKTK), Berlin & Munich Partner Sites, Germany（德国癌症研究中心及德国癌症联盟柏林和慕尼黑合作站点）； Institute of Pathology, Ludwig-Maximilians-Universität München, Germany（慕尼黑大学病理学研究所）； Bavarian Cancer Research Center (BZKF), Germany（巴伐利亚癌症研究中心）

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

AI总结提出Atlas H&E-TME系统，利用病理基础模型预测组织质量、区域和细胞类型，通过IHC共识验证和20万+注释基准，在多种癌症中达到或超越病理学家水平。

2607.12556 2026-07-15 cs.CV 新提交 57%

CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

CGRL：用于全切片图像分类的概念引导剪枝与表示学习

Thuc Huynh, Tuan Le, Doanh C. Bui

专题命中病理影像：pathology(abstract)；分类 cs.CV

AI总结针对弱监督全切片图像分类中现有方法问题，提出CGRL框架，通过概念相关剪枝和概念引导对比表示学习，在TCGA - BRCA和TCGA - NSCLC数据集上评估，提升了模型性能并降低计算成本，证明类级语义概念的有效性。

Comments 6 pages, 2 figures. Accepted at MAPR 2026. Code: https://github.com/ThucHuynh44/CGRL

2607.12376 2026-07-15 cs.CV cs.AI 新提交 57%

Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification

前门中介因果推理方法在全切片图像分类中的通用双通道特征解耦特性证明

Zhirui Zhang, Tianhang Nan, Yong Ding, Zhuolun Song, Dayu Hu, Xiaoyu Cui

专题命中病理影像：pathology(abstract)；分类 cs.CV

AI总结研究在全切片图像分类中，提出并证明关于因果推理MIL的两个假设，即引入独立分类通道及增加通道特征差异可消除错误关联，通过在相关数据集上评估几种因果推理MIL，为因果推理应用于WSI分析提供新视角。

Comments The manuscript is being submitted for publication to a journal

2607.12166 2026-07-15 cs.LG 新提交 57%

From Geometric Recovery to Causal Validation: A Reproducible Audit of Sparse Autoencoder Features, from Superposition Geometry to Causal Inertness

从几何恢复到因果验证：对稀疏自编码器特征的可重复审计，从叠加几何到因果惰性

Mohamed Abdessalem Bal

专题命中病理影像：pathology(abstract)；分类 cs.LG

AI总结研究聚焦于稀疏自编码器特征，通过重现相关实验发现现有评估混淆不同主张。提出sae - 因果审计工具，发现大量特征存在因果惰性，重新审计细化惰性分类，应用该工具于生产SAE揭示原子碰撞信号。

Comments 21 pages, 8 figures, 6 tables. Code and reproduction pipeline: https://github.com/mohamed-bal/sae-causal-audit

1. 病理影像 5 篇

MLPTR-CC: Multi-label Pathology Test Recommendation using Classifier Chains and SHAP

Atlas H&E-TME: Scalable AI-Based Tissue Profiling at Expert Pathologist-Level Accuracy

CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

Demonstration of the common dual-channel feature decoupling characteristic of front-door mediation causal inference methods in whole-slice image classification

From Geometric Recovery to Causal Validation: A Reproducible Audit of Sparse Autoencoder Features, from Superposition Geometry to Causal Inertness