One more pathology of C*-algebraic tensor products
专题命中 病理影像 ：pathology(title)
Comments 6 pages
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 3448 篇
Phantom without UV pathology
专题命中 病理影像 ：pathology(title)
Comments 19 pages. Several misprints corrected, several points clarified, several references added
Journal ref Theor.Math.Phys.149:1651-1664,2006; Teor.Mat.Fiz.149:409-426,2006
Learning Representations with Contrastive Self-Supervised Learning for Histopathology Applications
专题命中 病理影像 ：pathology(abstract)；分类 cs.CV、cs.LG、q-bio；biomedical(comments)
Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/papers/2022:023.html
Journal ref https://www.melba-journal.org/papers/2022:023.html
Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology
用于肺癌组织病理学的深度学习架构的综合基准测试
机构 * American University of Beirut（贝鲁特美国大学）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本研究构建两阶段深度学习框架，整合6种分类模型与4种分割模型，在病理数据集上测试后将最优模型整合，为自动化病理图像分析提供高效基准。
Comments 8 pages
Decomposing Whole Slide Image Report Generation with Graph-Constrained Multiple Instance Learning Workflows
用图约束的多实例学习工作流分解全切片图像报告生成
机构 * Faculty of Technology, Natural Sciences and Maritime Sciences, University of South-Eastern Norway（东南挪威大学技术、自然科学与海洋科学学院） ； Center for Cancer and Blood Diseases, Vestfold Hospital Trust（西福尔信托医院癌症与血液疾病中心） ； Faculty of Biomedical Engineering, Silesian University of Technology（西里西亚工业大学生物医学工程学院）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 该研究提出图约束的多实例学习分解框架，结合Virchow2嵌入与器官条件图，提升WSI报告生成性能，明确器官路由是域转移瓶颈，支持错误定位。
Comments Accepted at the MICCAI 2026 REG Challenge
S$^3$-Diff: Structural Semantic Synergy Diffusion Model for High Fidelity Super Resolution of Pathological Images
S³-Diff：用于病理图像高保真超分辨率的结构语义协同扩散模型
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 针对现有病理图像超分辨率技术易致形态平滑、语义漂移的问题，提出S³-Diff模型，通过SSA与SSFT实现高保真超分，性能优于现有最优方法，源代码将公开。
TaxoMIL: Taxonomy-Constrained Learning for Hierarchical Whole Slide Image Analysis
TaxoMIL：用于层次化全切片图像分析的分层约束学习
机构 * School of Electrical Engineering, Korea University（韩国大学电气工程学院） ； Department of Hospital Pathology, The Catholic University of Korea College of Medicine（韩国天主教大学医学院医院病理学系）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 提出TaxoMIL框架，将WSI诊断重构为多粒度文本生成任务，通过双头Transformer解码器和分类学引导目标，实现层次感知的准确预测。
Comments Accepted at ECCV 2026
Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping
分层灌注图谱用于胶质瘤分子分型中的肿瘤异质性建模
机构 * Interdisciplinary Program in Bioengineering, Seoul National University, Seoul, South Korea（生物工程跨学科项目，首尔国立大学，首尔，韩国） ； Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, South Korea（癌症生物学跨学科项目，首尔国立大学医学院，首尔，韩国） ； Dept. of Biomedical Sciences, Seoul National University, Seoul, South Korea（生物医学科学系，首尔国立大学，首尔，韩国） ； Dept. of Electronic Engineering, Soongsil University, Seoul, South Korea（电子工程系，顺世大学，首尔，韩国） ； Dept. of Radiology, Seoul National University Hospital, Seoul, South Korea（放射科，首尔国立大学医院，首尔，韩国） ； Dept. of Radiology, Seoul National University College of Medicine, Seoul, South Korea（放射科，首尔国立大学医学院，首尔，韩国） ； Healthcare AI Research Institute, Seoul National University Hospital, Seoul, South Korea（医疗人工智能研究院，首尔国立大学医院，首尔，韩国）
专题命中 病理影像 ：MRI(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出HiPerfGNN框架，通过学习灌注动态数据构建分层图谱，用于胶质瘤分子分型，实现了高准确率的分子亚型预测。
Comments 11 pages, 2 figures, 2 tables
Clinically-Informed Modeling for Pediatric Brain Tumor Classification from Whole-Slide Histopathology Images
基于临床信息的儿童脑肿瘤全切片病理图像分类建模
机构 * Dept. of Computer Science（计算机科学系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； School of Information（信息学院） ； Dell Children's Medical Center（德尔儿童医学中心） ； Dept. of OREI（OREI部门） ； University of Nevada, Reno（内华达大学里诺分校）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出一种结合临床信息的对比学习框架，用于在有限数据和类别不平衡条件下提高儿童脑肿瘤全切片图像的细粒度分类性能。
Comments Accepted at the IEEE International Conference on Healthcare Informatics (ICHI), 2026
A Human-in-the-Loop Framework for Efficient Prompt Selection in Microscopy Vision-Language Models
一种用于显微镜视觉-语言模型中高效提示选择的人机协作框架
机构 * University of South Florida（佛罗里达州立大学） ； SRC Biosciences（SRC生物科学公司）
专题命中 病理影像 ：medical image(abstract)；biomedical(abstract)；分类 cs.CV
AI总结 本文提出了一种人机协作框架，通过目标驱动的主动学习方法解决显微镜视觉-语言模型中提示集构建的问题，减少专家验证图像的数量，提高分类性能。
Comments Accepted to CVPR workshops, 2026
Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study
预测性放射组学用于评估胶质瘤中癌症免疫签名：PRECISE-GBM研究
机构 * School of Biomedical Engineering & Imaging Sciences, King’s College London, UK（伦敦国王学院生物医学工程与成像科学学院） ； Department of Neurosurgery, King’s College Hospital, London, UK（伦敦国王学院医院神经外科部门） ； Department of Neuroradiology, Beijing Tiantan Hospital, Beijing, China（北京天坛医院神经放射科部门） ； Department of Neuroradiology, King’s College Hospital, London, UK（伦敦国王学院医院神经放射科部门）
专题命中 病理影像 ：MRI(abstract,abstract_cn)；分类 cs.LG
AI总结 本研究通过放射组学方法开发并验证了预测胶质瘤微环境中免疫细胞签名的生物标志物，展示了其在免疫治疗患者分层中的潜力。
Comments Abstract : 226; Importance of study: 109; Manuscript: 5690 (excluding references) Figures: 4, Tables: 2 Supplemental File: 1
Journal ref Neuro-Oncology Advances 2026. Published online May 2, 2026
Multimodal Cancer Modeling in the Age of Foundation Model Embeddings
多模态癌症建模：在基础模型嵌入时代
机构 * Center for Translational Data Science（转化数据科学中心） ； Department of Computer Science（计算机科学系） ； University of Chicago（芝加哥大学） ； Medical Scientist Training Program（医学科学家培训计划） ； Brown University（布朗大学） ； Section of Biomedical Data Science（生物医学数据科学部门） ； Department of Medicine（医学系）
专题命中 病理影像 ：pathology(abstract)；biomedical(abstract)；分类 cs.LG
AI总结 本文探讨了利用基础模型嵌入进行多模态癌症建模的可能性，展示了多模态融合的优势，并评估了病理报告文本和文本摘要对模型性能的影响。
Comments camera ready version for ML4H 2025, typo corrected
Journal ref Proceedings of the Fifth Machine Learning for Health Symposium, PMLR 297:202-227, 2026
Retrieval-Guided Generation for Safer Histopathology Image Captioning
基于检索的生成用于更安全的病理科图像描述生成
机构 * Kimia Lab, Department of Artificial Intelligence \& Informatics, Mayo Clinic, Rochester, MN, USA ； Department of Biomedical Informatics, University of Arkansas for Medical Sciences, Little Rock, AR, USA ； Lane Department of Computer Science ； Electrical Engineering, West Virginia University, Morgantown, WV, USA ； Department of Computer Science ； Engineering, Princeton University, Princeton, NJ, USA ； Department of Computer Sciences, University of Wisconsin--Madison, Madison, WI, USA
专题命中 病理影像 ：medical image(abstract)；pathology(abstract)；分类 cs.CV
AI总结 本文提出检索引导生成方法，通过总结相似病例的专家文本生成描述，提升病理图像描述的准确性与可靠性，实验表明其在语义对齐和诊断一致性方面优于现有方法。
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
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
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
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）
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
机构 * Department of Computing, São Paulo State University（圣保罗州大学计算机系）
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
MambaBack: Bridging Local Features and Global Contexts in Whole Slide Image Analysis
MambaBack：在全切片图像分析中弥合局部特征与全局上下文
机构 * Nhu Department of Electrical Engineering and Computer Science, University of California, Irvine（加州大学尔湾分校Nhu电子工程与计算机科学系） ； Department of Electrical & Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系） ； PuzzleLogic Pte Ltd, Singapore（新加坡PuzzleLogic公司）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 MambaBack通过融合Mamba和MambaOut的优势，解决全切片图像分析中局部特征提取与全局上下文建模的挑战，提升多尺度表示能力。
A Generative Foundation Model for Multimodal Histopathology
多模态病理生成模型基础框架
机构 * Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤学系） ； Department of Psychiatry and Behavioral Sciences, Stanford University School of Medicine（斯坦福大学医学院精神病学与行为科学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Center for Artificial Intelligence in Medicine and Imaging, Stanford University（斯坦福大学医学与影像人工智能中心）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出MuPD模型，通过扩散变压器整合病理图像、分子数据和临床文本，实现跨模态生成任务，提升诊断准确性和数据扩展性。
Comments 33 pages, 9 figures
Analysis of Invasive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation
利用YOLO、可解释性与领域适应分析乳腺癌侵袭性
专题命中 病理影像 ：MRI(abstract)；CT(abstract)；分类 cs.CV
AI总结 本文通过结合ResNet50的领域过滤与YOLOv8/v11/v12架构，提升乳腺癌检测的领域适应性与可解释性，实现高准确率的检测性能。
TabPFN-Wide: Continued Pre-Training for Extreme Feature Counts
TabPFN-Wide：为极端特征数量继续预训练
机构 * Institute for Bioinformatics ； Medical Informatics , University of T\" u bingen , Maria-von-Linden-Str. 6 , 72076 , Baden-W\" u rttemberg , Germany ； AutoML for Science , University of T\" u bingen , Maria-von-Linden-Str. 6 , 72076 , Baden-W\" u rttemberg , Germany ； Lamarr Institute for Machine Learning
专题命中 病理影像 ：pathology(abstract)；biomedical(abstract)；分类 cs.LG
AI总结 本文提出TabPFN-Wide模型，通过继续预训练合成数据提升对高维数据的处理能力，实现对超过3万特征的稳健建模，同时保持可解释性。
Enhancing Brain Tumor Classification Using Vision Transformers with Colormap-Based Feature Representation on BRISC2025 Dataset
利用基于色谱的特征表示增强脑肿瘤分类的视觉变换器
机构 * Department of Data Science and Mathematics, Embry-Riddle Aeronautical University（数据科学与数学系，艾姆伯-理德航空大学）
专题命中 病理影像 ：MRI(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出基于视觉变换器的深度学习框架，结合色谱特征表示提升多类脑肿瘤分类性能，实验表明该方法在BRISC2025数据集上达到98.90%的准确率，优于ResNet50、ResNet101和EfficientNetB2等基线模型。
Comments 11 pages, 3 figures
A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images
多中心淋巴瘤亚型分类的多实例学习模型基准测试
机构 * Institute of AI for Health, Helmholtz Munich（人工智能健康研究所，海德堡-慕尼黑研究中心） ； Department of Medicine III, Ludwig-Maximilian-University Hospital（第三医学部，路德维希-马克西米利安大学医院） ； Computational Health Center & Helmholtz AI, Helmholtz Munich（计算健康中心及海德堡-慕尼黑人工智能，海德堡-慕尼黑研究中心） ； German Cancer Consortium (DKTK), Partner Site Munich（德国癌症研究中心（DKTK），慕尼黑合作伙伴站点） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Technical University of Munich（慕尼黑技术大学） ； Institute of Pathology, Erlangen, Germany（埃朗根病理研究所） ； University of Regensburg（雷根斯堡大学） ； Institute for Digital Medicine, University Hospital, Augsburg, Germany（数字医学研究所，奥格斯堡大学医院）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出首个多中心淋巴瘤基准，评估五种病理基础模型与多实例学习聚合器在不同放大倍数下的性能，发现40x分辨率足够，但泛化能力有限。
Comments 19 pages
Domain Adaptation Without the Compute Burden for Efficient Whole Slide Image Analysis
领域适应无需计算负担的高效全滑动图像分析
机构 * Institute for People-Centered AI, University of Surrey（以人为本的人工智能研究所，萨里大学） ； Centre of Vision, Speech and Signal Processing, University of Surrey（视觉、语音和信号处理中心，萨里大学）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出EfficientWSI方法，结合参数高效微调和多实例学习，解决全滑动图像分析中的计算负担和领域特定特性捕捉问题，通过实验验证其在多个任务中的有效性。
DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification
DeepHistoViT: 一种用于病理癌症分类的可解释视觉Transformer框架
专题命中 病理影像 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 DeepHistoViT通过定制的Transformer架构和注意力机制，实现了对组织病理学图像的高精度分类，展现出在癌症诊断中的卓越性能和可解释性。
Prototype Instance-semantic Disentanglement with Low-rank Regularized Subspace Clustering for WSIs Explainable Recognition
原型实例语义解耦与低秩正则化子空间聚类用于WSI可解释识别
机构 * Columbia University（哥伦比亚大学） ； Hong Kong Polytechnic University（香港理工大学）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出PID-LRSC框架，通过低秩正则化子空间聚类和增强对比学习解决WSI中实例与语义耦合问题，提升模型可解释性和诊断可靠性。
Comments Our code is available at https://github.com/Prince-Lee-PathAI/PID-LRSC
Efficient Special Stain Classification
高效特殊染色分类
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM School of Medicine and Health（慕尼黑技术大学医学院与健康学院） ； TUM School of Computation, Information and Technology（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Munich Data Science Institute（慕尼黑数据科学研究所）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本文提出了一种基于缩略图的高效特殊染色分类方法，在准确性和处理速度上均优于多实例学习方法。
Comments 14 pages, 7 figures, 2 tables
GAFR-Net: A Graph Attention and Fuzzy-Rule Network for Interpretable Breast Cancer Image Classification
GAFR-Net：一种用于可解释乳腺癌图像分类的图注意力与模糊规则网络
机构 * 1 Department of IT Engineering, Mokwon University, Daejeon 35349, South Korea ； 2 School of Digital Arts, Jiangxi Arts \& Ceramics Technology Institute, Jingdezhen 333001, China
专题命中 病理影像 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 GAFR-Net通过图注意力与模糊规则机制，实现乳腺癌图像分类的可解释性与高性能，适用于标注有限的医学图像分析。
Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography
从计算机断层扫描中早期和预诊断性检测胰腺癌
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Bologna（博洛尼亚大学） ； Istituto Italiano di Tecnologia（意大利技术研究院） ； Shandong Provincial Qianfoshan Hospital（山东省千佛山医院） ； Qilu Hospital of Shandong University（山东大学齐鲁医院） ； Jagiellonian University（杰齐洛尼亚大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of California, Berkeley（加州大学伯克利分校） ； Johns Hopkins Medicine（约翰霍普金斯医学中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Warmia and Mazury（马尔堡大学） ； National Medical Institute of the Ministry of Internal Affairs and Administration（内政部和行政管理局国家医疗研究所） ； Henan Provincial People’s Hospital & The People’s Hospital of Zhengzhou University（河南省人民医院及郑州大学人民医院） ； City of Hope National Medical Center（希望国家医学中心） ； Centre Européen de Calcul Atomique et Moléculaire, École Polytechnique Fédérale de Lausanne（欧洲原子和分子计算中心，洛桑联邦理工学院） ； Northeastern University（东北大学） ； Rutgers University（罗格斯大学） ； The First Affiliated Hospital of Soochow University（苏州大学第一附属医院） ； Massachusetts General Hospital（麻省总医院）
专题命中 病理影像 ：CT(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 ePAI通过人工智能在CT扫描中早期检测胰腺癌，显著提高灵敏度并准确定位微小病变。
Intelligent Systems in Neuroimaging: Pioneering AI Techniques for Brain Tumor Detection
神经影像中的智能系统：开创性AI技术用于脑肿瘤检测
机构 * Dept.of ECE North South University Dhaka, Bangladesh（电子与计算机工程系北南大学达卡，孟加拉国） ； NMR Spectroscopist Lassonde School of Engineering York University Toronto, Canada（核磁共振谱仪师拉索nde工程学院约克大学多伦多，加拿大） ； Dept. of ECE North South University Dhaka, Bangladesh（电子与计算机工程系北南大学达卡，孟加拉国）
专题命中 病理影像 ：MRI(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 本研究利用先进AI技术通过MRI实现脑肿瘤分类，采用Xception架构达到98.71%的检测准确率，推动临床应用的可行性。
Comments This paper contains 11 pages, 2 tables, and 7 figures. This Paper is already accepted in IEEE Computational Intelligence Magazine (CIM)
Journal ref IEEE Computational Intelligence Magazine (CIM) in 19th July 2025
DiffusionQC: Artifact Detection in Histopathology via Diffusion Model
DiffusionQC：通过扩散模型在病理学中检测伪影
机构 * Johns Hopkins University Dept. of Biomedical Engineering（约翰霍普金斯大学生物医学工程系） ； Merck & Co., Inc. Biometrics Research（默克公司生物度量研究） ； Merck & Co., Inc. Translational Medicine（默克公司转化医学）
专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV
AI总结 DiffusionQC通过扩散模型检测病理学图像中的伪影，无需大量标注数据，实现高效且泛化的伪影识别。
Comments 7 pages
