A General-Purpose Self-Supervised Model for Computational Pathology
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、q-bio
科学与医疗
医学 AI
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
1. 病理影像 3439 篇
Halcyon -- A Pathology Imaging and Feature analysis and Management System
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、q-bio
Comments 15 pages, 11 figures. arXiv admin note: text overlap with arXiv:2005.06469
Understanding the impact of image and input resolution on deep digital pathology patch classifiers
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV、q-bio
Comments To appear in the Conference on Computer and Robot Vision (CRV), 2022
Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data
专题命中 病理影像 ：diagnosis(title,abstract)；分类 cs.LG、q-bio
Comments 29 pages, 3 figures, 45 tables
DeePathology: Deep Multi-Task Learning for Inferring Molecular Pathology from Cancer Transcriptome
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG、q-bio
Hybrid Quantum Neural Networks for Enhanced Breast Cancer Thermographic Classification: A Novel Quantum-Classical Integration Approach
混合量子神经网络用于增强乳腺癌热图分类：一种新的量子-经典整合方法
机构 * Faculty of Computing（计算学院） ； Universiti Teknologi Malaysia（技术大学） ； Faculty of Science and Technology（科学与技术学院） ； Universitas Muhammadiyah Sidoarjo（穆罕默德大学西多亚罗乔） ； Department of Information System（信息系统系） ； Universitas Siber Jakarta（西巴克大学）
专题命中 病理影像 ：medical AI(abstract)；medical image(abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出混合量子神经网络架构，结合量子计算原理与经典卷积神经网络，提升乳腺癌分类性能，实验验证显示优于经典方法，展现量子增强优势。
Comments Published in: 2025 IEEE International Biomedical Instrumentation and Technology Conference (IBITeC)
Gated Spatial Redundancy Projection for Pathology Transformer Attentions
用于病理Transformer注意力机制的门控空间冗余投影
机构 * Concordia University（康考迪亚大学） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Centre de recherche du CHUM（CHUM研究中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 针对病理Transformer自注意力的局部空间冗余失效模式，提出轻量即插即用的Gated SRP模块，在TCGA生存队列和切片分类数据集上均实现性能提升，仅增加极少量参数。
Comments Accepted at BMVC 2026 Conference
From Multi-Resolution Cells to Gigapixel Whole Slide Images Foundation Model for Computational Pathology
从多分辨率细胞到千兆像素全切片图像：用于计算病理学的基础模型
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 针对现有计算病理学模型泛化性受限的问题，提出多分辨率金字塔Transformer（MRPT），经多分辨率自监督预训练后，在34个数据集的多项任务中性能优于同类模型与多模态大语言模型。
A Distributional Robustness Margin For Pathology Foundation Models
超越计数：病理学基础模型的分布稳健性余量
机构 * Radboud University Medical Center（拉德堡德大学医学中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 研究病理学基础模型受非生物学变异影响的问题，提出交叉混杂稳健性余量（CRoMa），通过直接比较距离评估模型稳健性，将其重塑为队列范围的余量分布，为模型选择和稳健性评估提供原则基础。
Comments Preprint
Pathryoshka: Compressing Pathology Foundation Models via Multi-Teacher Knowledge Distillation with Nested Embeddings
Pathryoshka: 通过多教师知识蒸馏与嵌套嵌入压缩病理基础模型
机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（马克斯·普朗克研究所慕尼黑分部） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 Pathryoshka通过多教师知识蒸馏与嵌套嵌入技术，显著压缩病理基础模型规模，同时保持性能和精度，提升模型的可部署性与普及性。
Comments Author list in metadata corrected to match the paper
Agentic Visual Reasoning in Whole-Slide Pathology Images via Active Perception
基于主动感知的全切片病理图像智能体视觉推理
机构 * College of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算机科学与技术学院） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 该研究提出AdaptivePath主动感知框架，通过序列决策实现千兆像素病理切片的视觉推理，在病理VQA基准及TCGA六队列癌症亚型分类上取得最优性能，辅助病理学家诊断。
Comments 14 pages, 5 figures
PARAGraph: Pathology-Anatomy-Aware Hierarchical Graph for Diabetic Retinopathy Grading
PARAGraph：面向糖尿病视网膜病变分级的病理-解剖感知分层图
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出病理-解剖感知分层图框架PARAGraph，以三级分层图建模DR分级，在多数据集上实现优于现有方法的性能，预测具临床依据且对分割噪声鲁棒。
Simple Token-Efficient Vision-Language Model for Case-level Pathology Synoptic Report Generation
用于病例级病理学概要报告生成的简单令牌高效视觉语言模型
机构 * Department of Computer Science and Software Engineering (CSSE), Concordia University, Montreal, Canada（计算机科学与软件工程系（CSSE），康科迪亚大学，蒙特利尔，加拿大） ； Axe Cancer, Centre de recherche du CHUM, Université de Montréal, Montreal, Canada（Axe癌症，CHUM研究中心，蒙特利尔大学，蒙特利尔，加拿大） ； Institut de recherche en immunologie et cancérologie (IRIC), Université de Montréal（免疫学与癌症研究所（IRIC），蒙特利尔大学） ； Mila - Quebec AI Institute, Montreal, Canada（魁北克AI研究所（Mila），蒙特利尔，加拿大）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出一种简单令牌高效的视觉语言模型，通过5倍放大率的512×512补丁和两阶段监督训练，在有限GPU内存下实现病例级多WSI病理报告生成，显著降低序列长度并提升效率。
Comments DeLTA 2026 Conference Best Paper Award
Mitigating Gradient Pathology in PINNs through Aligned Constraint
通过对齐约束缓解PINN中的梯度病理
机构 * Department of Information Science and Engineering, KTH Royal Institute of Technology, Stockholm, Sweden（信息科学与工程系，皇家理工学院，斯德哥尔摩，瑞典） ； School of Advanced Manufacturing and Robotics, Peking University, Beijing, China（先进制造与机器人学院，北京大学，北京，中国） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University, Suzhou, China（先进技术学院，西安交通大学利物浦大学，苏州，中国） ； Department of AI, School of Engineering, Westlake University, Hangzhou, China（人工智能系，工程学院，西湖大学，杭州，中国）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG
AI总结 针对物理信息神经网络训练中梯度冲突导致的局部最优问题，提出约束对齐损失与流形提升方法，通过重新表述零阶项为对齐约束并引入延迟因子，显著提升数值稳定性和效率。
Comments Accepted by ICML 2026
Journal ref Forty-Third International Conference on Machine Learning (ICML 2026)
Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning
尺度思考：通过自适应连续推理加速千兆像素病理图像分析
机构 * School of Computer Science（计算机科学学院） ； Technology, Xi’an Jiaotong University, Xi’an, China（技术学院，西安交通大学，西安，中国） ； Department of Transmedia Art, Xi’an Academy of Fine Arts, Xi’an, China（多媒体艺术系，西安美术学院，西安，中国） ； Department of Oncology, University of Cambridge, Cambridge, U.K.（肿瘤学系，剑桥大学，剑桥，英国） ； Language Technology Lab, University of Cambridge, Cambridge, U.K.（语言技术实验室，剑桥大学，剑桥，英国） ； Institute of High Performance Computing, Agency for Science, Technology（高性能计算研究所，科技研究局）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出PathCTM模型，通过动态尺度切换和注意力引导的区域剪枝实现高效连续推理，大幅减少计算开销并保持诊断性能。
Comments Accepted to ICML 2026
A Deployment-Friendly Foundational Framework for Efficient Computational Pathology
一种适用于部署的高效计算病理学基础框架
机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（计算机科学与工程系，香港科学与技术大学） ； Department of Pathology, Nanfang Hospital, School of Basic Medical Sciences, Southern Medical University（病理学系，南芳医院，南方医科大学） ； Guangdong Province Key Laboratory of Molecular Tumor Pathology（广东省分子肿瘤病理学重点实验室） ； Jinfeng Laboratory, Chongqing, China（锦峰实验室，重庆，中国） ； Department of General Surgery (Colorectal Surgery), The Sixth Affiliated Hospital, Sun Yat-sen University（普外科（结直肠外科），中山大学第六附属医院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 LitePath是一种高效计算病理学基础框架，通过压缩模型和自适应碎片选择器，显著降低计算成本，实现快速、节能的病理图像分析。
Training-Free Out-of-Distribution Detection for Pathology Whole-Slide Images
面向病理全切片图像的无分布外检测训练方法
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出基于视觉-语言病理基础模型的无训练多模态OOD检测器ZIO，在14700余张病理WSI上优于40种现有OOD方法，为临床AI安全部署提供支撑。
Comments Under review. The code is available in https://github.com/muskahya/ZIO
Understanding Synergistic Interactions among Pathology Foundation Models via Adaptive Fusion
通过自适应融合理解病理基础模型间的协同交互作用
机构 * School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； School of Computing and Mathematical Sciences, University of Leicester（莱斯特大学计算与数学科学学院） ； Leicester Cancer Research Centre, University of Leicester（莱斯特大学莱斯特癌症研究中心） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学院） ； A*STAR, Singapore（新加坡科技研究局）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本研究针对病理基础模型存在的表示偏差问题，提出AdaFusion自适应融合框架，在三个公共基准上验证其性能优于单个模型及其他融合方法，还可提供可解释的组织可视化。
Comments 11 pages, 2 figures, 3 tables
Beyond Classification: Pathology Foundation Models as Detection Encoders for Mitotic Figures
超越分类：病理学基础模型作为有丝分裂图的检测编码器
机构 * Flensburg University of Applied Sciences（弗伦斯堡应用科学大学） ； University of Veterinary Medicine, Vienna（维也纳兽医大学） ； Freie Universität Berlin（柏林自由大学） ； Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学） ； Medical University of Vienna（维也纳医科大学） ； Julius-Maximilians-Universität Würzburg（维尔zburg大学） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本研究将多种病理学基础模型作为骨干网络，结合不同类型检测器在MIDOG++和TUPAC16数据集上验证其用于有丝分裂图检测的性能，发现H-optimus-0和Virchow模型表现具竞争力，相关代码已公开。
Disentangling Acoustic Cues in Alzheimer's Pathology and Perception: The Roles of Language and Gender
解开阿尔茨海默病病理学与感知中的声学线索：语言和性别的作用
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Edinburgh（爱丁堡大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG
AI总结 研究阿尔茨海默病中声学线索，训练模型预测普通话和希腊语、男女说话者的临床AD状态及人类感知分数，用SHAP和统计模型分析，发现病理与感知一致性因语言和性别而异，强调特定人群可解释性审核对临床语音AI公平部署的必要性。
Comments Accepted at Interspeech 2026
Robustifying pathology foundation models via fine-tuning
通过微调增强病理学基础模型的鲁棒性
机构 * Waiv ； Institute of Pathology, Technical University of Munich（慕尼黑工业大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 研究针对病理学基础模型对采集因素敏感问题，开发新颖微调方法，应用于十个不同模型提升鲁棒性与下游性能，平均鲁棒性指数提高23%，综合性能提高43%，并公开两个模型的微调版本。
Comments 17 pages, 4 figures, 7 tables
BreastDCEDL: A Comprehensive Breast Cancer DCE-MRI Dataset and Transformer Implementation for Treatment Response Prediction
BreastDCEDL: 一个全面的乳腺癌动态对比增强MRI数据集和用于治疗反应预测的Transformer实现
机构 * Dept. of Industrial Engineering and Ariel University（工业工程系和阿里尔大学） ； NF Algorithms & AI（NF算法与人工智能）
专题命中 病理影像 ：MRI(title,abstract)；分类 cs.CV
AI总结 BreastDCEDL是一个包含2070名乳腺癌患者术前3D DCE-MRI数据集，采用Transformer架构实现治疗反应预测，取得HR+/HER2-患者pCR预测的最优性能。
Journal ref Scientific Data 3, 100-115 (2026)
Prompt-Guided Foundation Model Tuning for Pathology Image Classification
用于病理图像分类的提示引导基础模型调优
机构 * Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology（香港科技大学神经系统疾病国家重点实验室）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 研究针对病理图像分类中基础模型预训练与下游任务的差异问题，提出PAMT框架，通过引入RPS、PVP及AMT，在14个公开数据集上严格评估，显著提升分类准确率，确立了PAMT作为病理图像分类新基准的地位。
Pretraining Multiple Instance Learning Networks with Multi-Teacher Distillation from Pathology Slide Foundation Models
基于病理切片基础模型的多教师蒸馏预训练多实例学习网络
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； University of Washington（华盛顿大学） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； Medical Optical Technology R&D Center, Research Institute of Tsinghua（清华研究院医学光学技术研发中心） ； Jinfeng Laboratory（金凤实验室）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 针对计算病理学中多实例学习存在的问题，提出基于蒸馏的预训练框架，利用两个基础模型作为教师，引入角分散归一化蒸馏损失，将蒸馏权重用于下游适应，实验表明该方法在少样本场景中优势明显，能提升计算效率。
Multi-Teacher Contrastive Distillation for Edge-Efficient Pathology Foundation Models
用于边缘高效病理学基础模型的多教师对比蒸馏
机构 * EKFZ for Digital Health（数字健康EKFZ） ； TU Dresden（德累斯顿工业大学） ； University of Augsburg（奥格斯堡大学） ； Bavarian Cancer Research Center (BZKF)（巴伐利亚癌症研究中心） ； Department of Medicine I, TU Dresden（德累斯顿工业大学第一医学院） ； NCT Heidelberg（海德堡NCT） ； University of Leeds（利兹大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 研究针对计算病理学基础模型本地部署难题，提出MuCoDi预训练框架，通过多教师对比蒸馏，将多个PFMs的切片嵌入蒸馏到轻量级编码器，经实验验证该方法能大幅减小模型大小并保持性能，推动病理学表示向边缘部署发展。
Evaluating Agentic Harness Systems for Autonomous Computational Pathology
评估用于自主计算病理学的智能控制框架系统
机构 * National Institute for Data Science in Health and Medicine, Xiamen University（厦门大学健康医疗大数据国家研究院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 研究将高级病理学分析目标转化为可执行工作流，贡献 ACP-Bench 框架，评估 41 个病理学工作流任务、9 个模型和 3 个控制框架组，通过多方面评估为智能系统实现病理学工作流提供标准。
Prior-Anchored Debiasing for Long-Tailed Multi-Organ Pathology Report Generation
先验锚定去偏方法用于长尾多器官病理报告生成
机构 * City University of Hong Kong, Hong Kong SAR（香港城市大学） ； University of Nottingham, United Kingdom（诺丁汉大学） ； University of Massachusetts Boston, United States（马萨诸塞大学波士顿分校）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 针对多器官病理报告生成中视觉表示和文本解码的长尾偏差，提出先验锚定框架PriOrGen，通过视觉原型锚定瓶颈和元报告锚定库分别缓解两类偏差，在长尾数据集上优于现有方法。
Towards Cellular-Scale Interpretability in Pathology Foundation Models for Biomarker Assessment
面向生物标志物评估的病理基础模型中的细胞级可解释性
机构 * Institute of Pathology, Technical University of Munich（慕尼黑技术大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Computer Aided Medical Procedures (CAMP), Technical University of Munich（慕尼黑技术大学计算机辅助医疗程序中心） ； School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology（大连理工大学医学院生物医学工程学院） ； Affiliated Hospital of Chifeng University（赤峰大学附属医院） ； Center for Medical Imaging, Robotics, and Analytic Computing & Learning (MIRACLE), Suzhou Institute for Advanced Research, USTC, Suzhou, China（苏州先进研究院医学影像、机器人与分析计算与学习中心） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； The First Hospital and the College of Basic Medical Sciences of China Medical University（中国医科大学第一医院及基础医学科学学院） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出Hireca病理基础模型和CytoMap可解释性模块，在10项生物标志物任务中多数领先，提供细胞级证据定位，实现透明可审查的生物标志物评估。
Histopathology Multi-modal Embedding for Pathology Composed Retrieval
病理学组合检索的组织病理学多模态嵌入
机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出HOMIE框架，将生成式多模态大语言模型适配为病理检索专家，解决组合查询中的架构、任务和领域不匹配问题，在病理组合检索基准上显著优于现有方法。
Comments Accepted by ECCV 2026
Uncertainty Estimation in Pathology Foundation Models via Deep Mutual Learning
病理基础模型中的不确定性估计：基于深度互学习
机构 * UM6P（摩洛哥穆萨-阿卜杜勒-阿齐兹大学） ； EPFL（瑞士联邦理工学院） ； UM5（摩洛哥穆萨-阿卜杜勒-阿齐兹大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出DICE框架，通过集成多个冻结的病理基础模型并利用深度互学习对齐，以模型分歧作为不确定性代理，实现可靠的不确定性估计、异常定位，并在分类、校准和定位上匹配或超越现有方法。
