科学与医疗
医学智能、临床 AI、医学影像、病理、诊断和医疗健康大模型。
PathFLIP：面向多功能计算病理学的细粒度语言-图像预训练
机构 * Harbin Institute of Technology, Shenzhen, School of Computer Science and Technology（哈尔滨工业大学（深圳）计算机科学与技术学院） ； National University of Singapore, Department of Electronic and Computer Engineering（新加坡国立大学电子与计算机工程系）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出PathFLIP框架，通过将幻灯片级描述分解为区域级子描述并生成文本条件区域嵌入，实现细粒度视觉-语言对齐，在多个基准上优于现有模型且训练数据更少。
使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学
机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。
Comments 5 figures
MOOZY: 一种以患者为先的计算病理学基础模型
机构 * CSSE, Concordia University, Montr\' e al, Canada Mila -- Qu\' e bec AI Institute, Montr\' e al, Canada CHUM, Universit\' e de Montr\' e al, Montr\' e al, Canada IRIC, Universit\' e de Montr\' e al, Montr\' e al, Canada Universit\' e de Montr\' e al, Montr\' e al, Canada Canada CIFAR Chair, Polytechnique Montr\' e al, Montr\' e al, Canada Dept.\ of Pathology, McGill University, Montr\' e al, Canada
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出以患者为基本单位的病理基础模型MOOZY，通过病例变换器建模同一患者多张切片依赖，结合多阶段自监督与低成本任务监督，在16个保留任务上优于PRISM。
面向可部署计算病理学的通路结构特权蒸馏
机构 * School of Medicine, Wake Forest University（威克森林大学医学院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出MoPE框架，通过通路索引病理专家和记忆使用对齐，将多模态学习转化为仅组织学推理的特权蒸馏，提升全切片图像推理性能。
利用大型多模态模型导航千兆像素病理图像
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Pathology, Massachusetts General Hospital（麻省总医院病理学系） ； Department of Pathology and Laboratory Medicine, Brown University（布朗大学病理学与实验室医学系）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出GIANT方法，无需训练即可让通用多模态模型自主导航WSI，通过迭代选择多放大倍数裁剪并聚合证据，在MultiPathQA基准上实现SOTA。
看似无关紧要的设计选择如何决定病理学中LLM的性能
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院） ； Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 通过系统因子分析发现，调整补丁大小、放大倍数等输入配置可使通用大语言模型在病理切片任务上性能大幅提升，缩小与专用模型的差距。
SlideCheck: 通过数据集分布引导病理基础模型的自监督预训练
机构 * Beijing University of Chemical Technology（北京化工大学） ； South China Normal University（华南师范大学） ； Tsinghua University（清华大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出SlideCheck工具，利用冻结病理基础模型的特征，通过双头MLP评分异常和恶性证据，引导自监督预训练数据筛选，实验表明数据分布影响模型下游性能。
Comments 9 pages, 2 figures, 4 tables
空间转录组学引导的对齐增强病理基础模型中的分子分析
机构 * Department of Computer Science and Engineering, The Hong Kong University of Science and Technology, Hong Kong SAR, China（计算机科学与工程系，香港科学与技术大学，香港特别行政区，中国） ； Department of Pathology, Nanfang Hospital, Southern Medical University, Guangzhou, China（pathology department, 南方医科大学南芳医院，广州，中国） ； Department of Pathology, School of Basic Medical Sciences, Southern Medical University, Guangzhou, China（pathology department, 南方医科大学基础医学学院，广州，中国） ； Guangdong Province Key Laboratory of Molecular Tumor Pathology, Guangzhou, China（广东省分子肿瘤病理学重点实验室，广州，中国） ； Jinfeng Laboratory, Chongqing, China（金风实验室，重庆，中国）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG
AI总结 提出STAMP框架，利用空间转录组数据通过通路感知对齐策略增强病理基础模型的分子感知能力，并在多层级评估中验证其临床效用。
PathAR: 结构优先的多模态病理图像自回归合成
机构 * Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（新一代人工智能技术及其交叉应用重点实验室（东南大学），教育部） ； Centre for Innovation and Precision Eye Health, Yong Loo Lin School of Medicine, National University of Singapore（创新与精准眼健康中心，新加坡国立大学 Yong Loo Lin 医学院） ； Department of Ophthalmology, Yong Loo Lin School of Medicine, National University of Singapore（眼科学系，新加坡国立大学 Yong Loo Lin 医学院） ； Department of Biostatistics, Center for Global Health, School of Public Health, Nanjing Medical University（生物统计学系，全球健康中心，南京医科大学） ； Institute of High-Performance Computing, Agency for Science, Technology and Research（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PathAR，一种结构优先的自回归合成框架，通过显式分解结构与外观并使用交错自回归Transformer，实现模态标签条件下的病理图像生成，改善结构一致性和模态保真度。
Comments 12 pages, 7 figures
病理基础模型在空间域理解中的基准测试
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网膜工程中心） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所北京脑网膜与脑机接口重点实验室） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； ShanghaiTech University（上海科技大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 提出SpaPath-Bench基准，通过空间域识别任务评估病理基础模型在区分组织区域和捕获空间关系方面的表示能力。
Comments MICCAI2026
差异最小化提升数字病理学中的跨医院鲁棒性
机构 * Reichman University, Herzliya, Israel（以色列海法大学） ； Institute of Pathology, Sheba Medical Center, Ramat-Gan, Israel（以色列沙巴医疗中心病理研究所） ； Technion - Israel Institute of Technology, Haifa, Israel（以色列技术学院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 通过局部最大均值差异（LMMD）微调病理基础模型，在域适应和域泛化设置下提升跨医院鲁棒性。
生成式深度学习用于未注册数字病理图像的计算脱色和复染
机构 * Department of Computer Science University of California Irvine, CA, USA（计算机科学系 加州大学 伊藤市 加州 USA） ； Department of Pathology Stanford University Stanford, CA, USA（病理学系 斯坦福大学 斯坦福市 加州 USA）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出基于cGAN的生成式深度学习方法，用于未注册数字病理图像的计算脱色和复染，通过预处理流程提升模型性能，验证了在跨机构数据集上的可行性。
使计算病理学基础模型在临床应用中发挥作用
机构 * Institute for Cancer Genetics and Informatics, Oslo University Hospital（癌症遗传学与信息学研究所，奥斯陆大学医院） ； Department of Pathology, University Medical Center Utrecht（病理学系，乌得勒支大学医学中心） ； Department of Oncology, University of Oxford（肿瘤学系，牛津大学） ； CRUK Beatson Institute of Cancer Research, Garscube Estate（CRUK贝茨癌症研究中心，加尔斯克里特庄园） ； Glasgow Tissue Research Facility, University of Glasgow, Queen Elizabeth University Hospital（格拉斯哥组织研究设施，格拉斯哥大学，伊丽莎白女王大学医院） ； Area for Improvement and Digital Transformation, Norwegian Offshore Directorate（改进与数字化转型部门，挪威海上管理局） ； Pathology Department, Hospital Clínic, Barcelona, Spain（病理学系，巴塞罗那医院，西班牙） ； Institut d’Investigacions Biomèdiques August Pi I Sunyer (IDIBAPS), Barcelona, Spain（August Pi I Sunyer生物医学研究所（IDIBAPS），巴塞罗那，西班牙） ； Department of Clinical Foundations, Universitat de Barcelona（临床基础系，巴塞罗那大学） ； School of Cancer Sciences, Wolfson Wohl Cancer Research Centre, University of Glasgow（癌症科学学院，沃尔夫森沃尔夫癌症研究中心，格拉斯哥大学） ； Institute of Clinical Medicine, University of Oslo（临床医学研究所，奥斯陆大学） ； Department of Gastrointestinal Surgery, Oslo University Hospital（胃肠外科系，奥斯陆大学医院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文通过引入鲁棒性损失，提升了计算病理学基础模型的鲁棒性，提高了分类准确率，且无需重新训练基础模型，从而更适用于实际临床应用。
CellDX AI Autopilot：基于代理的训练与部署病理分类器
机构 * HistAI
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 CellDX AI Autopilot通过自然语言交互让非ML背景的病理学家和ML专家高效训练、评估和部署病理分类器，利用预构建的32000+病例和66000张H&E染色全切片图像数据集，结合多实例学习框架和迭代双变量超参数搜索，实现端到端自动化模型训练。
SAGE：可解释且临床可转化的计算病理学生物标志物发现代理框架
机构 * Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（NVIDIA公司） ； University of Arkansas at Little Rock（阿拉伯州立大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG
AI总结 SAGE通过生物证据引导生物标志物发现，结合多代理系统生成和评估假设，实现结构化、可追溯的病理学研究方法。
超越ViT标记：面向细胞级密集预测的掩码扩散预训练卷积病理基础模型
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Research Institute of Tsinghua, Pearl River Delta（清华大学 Pearl River Delta 研究院） ； The Chinese University of Hong Kong, ShenZhen（香港中文大学（深圳））
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出ConvNeXt Masked-Diffusion模型，通过卷积生成预训练框架提升病理图像细胞级密集预测性能，实验表明其在有限标注条件下表现更优，优于现有ViT模型和端到端分割方法。
Dino-NestedUNet：通过密集解码解锁基础视觉编码器用于病理肿瘤肿块分割
机构 * Department of Pathology, College of Medicine, The Ohio State University Wexner Medical Center, Columbus, OH, USA（病理学系，医学学院，俄亥俄州立大学韦克斯纳医学中心，哥伦布，OH，USA） ； Department of Biomedical Engineering, The Ohio State University, Columbus, OH, USA（生物医学工程系，俄亥俄州立大学，哥伦布，OH，USA）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出Dino-NestedUNet框架，通过预训练DINOv3编码器与密集密集解码器结合，改进病理肿瘤肿块分割的边界精度，实验证明其在跨域迁移中的有效性。
超越失败：重新思考病理学中的基础模型
机构 * Kimia Lab, Department of Artificial Intelligence and Informatics, Mayo Clinic, Rochester, MN, USA（Kimia实验室，人工智能与信息学系，梅奥诊所，罗切斯特，明尼苏达州，美国）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 病理学中基础模型表现不佳，需设计专门处理生物图像的模型，而非通用自然图像方法。
多模态融合组织病理图像与电子健康记录用于早期乳腺癌诊断
机构 * University of Sheffield（谢菲尔德大学） ； University of Chester（切斯特大学）
专题命中 病理影像 ：diagnosis(title,abstract)；分类 cs.CV
AI总结 本文提出整合BreCaHAD数据集的病理特征与MIMIC-IV的临床数据的多模态框架，通过训练单模态模型和中间融合模型提升乳腺癌早期诊断的准确性和透明度。
PA-TCNet：基于病理意识的时序校准与生理引导的目标细化用于中风患者跨受试者运动想象EEG解码
机构 * School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院） ； Chongqing Key Laboratory of Embodied Intelligence Perception and Autonomous Learning for Humanoid Robots（重庆 embodied 智能感知与人形机器人自主学习关键实验室） ； Key Laboratory of Advanced Equipment Intelligence of the Chongqing Education Commission（重庆市教育委员会先进设备智能关键实验室） ； School of Smart Health, Chongqing Polytechnic University of Electronic Technology（重庆电子工程职业大学智能健康学院） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； School of Pharmacy and Bioengineering, Chongqing University of Technology（重庆理工大学药学院与生物工程学院） ； School of Computer Science and Engineering, Chongqing University of Technology（重庆理工大学计算机科学与工程学院）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出PA-TCNet框架，通过病理意识时序校准与生理引导目标细化，提升中风患者跨受试者运动想象EEG解码的鲁棒性，实验在两个独立数据集上达到66.56%和72.75%的准确率。
MorphDistill: 从病理基础模型中提取统一形态学知识以预测结直肠癌生存率
机构 * Department of Pathology, College of Medicine, The Ohio State University Wexner Medical Center（俄亥俄州立大学医学学院病理学系，韦克斯纳医学中心） ； Center for Artificial Intelligence Research, Wake Forest University School of Medicine（威克森林大学医学院人工智能研究中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出MorphDistill框架，通过多病理基础模型提取互补知识，构建紧凑的结直肠癌特异性编码器，提升生存预测性能。
即插即用的逻辑融合用于异构病理基础模型
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Vector Institute（向量研究所）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出LogitProd方法，通过融合独立训练的病理基础模型预测器，实现高效且无需重新训练的多专家融合，提升异构模型在多种病理任务中的性能。
Comments 10 pages, 2 figures
LEMON：计算病理学中核形态的基础模型
机构 * Institut Curie（居里研究所） ； Mines Paris PSL, Centre for Computational Biology (CBIO)（巴黎高科矿业学院计算生物学中心） ； INSERM, U1331（法国国家健康与医学研究院U1331） ； Institut Curie, U1353/UMR9029 IRIS, Equipe IMPACT（居里研究所U1353/UMR9029 IRIS IMPACT团队）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 LEMON通过大规模单细胞图像表示学习，为计算病理学提供新的范式，其在多种预测任务中表现出色。
在流行病学模型中解决梯度病态
机构 * Disease-informed Modeling, Methods & Systems (DIMMS) Lab, Department of Mathematics and Statistics, York University, Toronto, Canada（疾病导向建模、方法与系统实验室，数学与统计学系，约克大学，多伦多，加拿大）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.LG
AI总结 本文提出冲突门控梯度缩放方法，用于解决物理信息神经网络中的梯度冲突问题，确保训练稳定高效，并在流行病学建模中提升参数估计性能。
Comments 16 pages, 4 figures. Submitted to Neural Networks
RANGER: 用于病理报告生成的稀疏门控专家混合模型与自适应检索重排序
机构 * Department of Biomedical Engineering, The Ohio State University（生物医学工程系，俄亥俄州立大学） ； Department of Pathology, The Ohio State University（病理学系，俄亥俄州立大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 RANGER通过稀疏门控专家混合模型和自适应检索重排序，提升病理报告生成的生成特化与语义对齐，实验表明在PathText-BRCA数据集上性能优于现有方法。
Journal ref Proceedings of the IEEE/CVF CVPR 2026 Workshops (CV4Clinical)
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
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）
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
基于细胞类型原型的神经网络用于从病理图像估计基因表达
机构 * The University of Osaka, Japan（大阪大学） ； Kyushu University（九州大学） ； National Cancer Center Japan（日本国立癌症中心）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出CPNN模型，利用单细胞RNA测序数据估计病理图像中基因表达，通过细胞类型原型指导提升预测精度和可解释性。
Comments Accepted by CVPR 2026
PathGLS: 通过多维一致性评估病理视觉-语言模型无需真实数据
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出PathGLS，一种无需真实数据的病理VLM评估框架，从 grounding、logic 和 stability 三个维度评估模型性能，通过实验验证其在多个数据集上的优越性，显著优于其他方法。
基于布局的可控病理图像生成与上下文扩散变换器
机构 * Xi'an Jiaotong University（西安交通大学）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出基于布局的可控病理图像生成方法，通过多代理LVLM注释框架构建精细临床对齐的监督数据，提出IC-DiT模型整合空间布局、文本描述和视觉嵌入，实现高保真生成与强空间可控性。
Comments 19 pages
评估计算病理学模型对苏木精-伊红染色变异鲁棒性的协议
机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Institute of Medical Genetics and Pathology, University Hospital Basel（巴塞尔大学医学遗传学与病理学研究所） ； Department of Pathology, Leiden University Medical Center（莱顿大学医学中心病理学系） ； Department of Radiation Oncology, Leiden University Medical Center（莱顿大学医学中心放射肿瘤学系）
专题命中 病理影像 ：pathology(title,abstract)；分类 cs.CV
AI总结 本文提出评估计算病理学模型对H&E染色变异鲁棒性的三步协议，通过模拟染色条件评估模型性能变化，揭示鲁棒性与分类性能的弱负相关，支持模型可靠部署的范围识别。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈