医学 AI

SheafStain: Sheaf-Theoretic Schrödinger Bridge for Spatially and Biologically Coherent Virtual Staining

SheafStain：用于空间和生物学一致虚拟染色的层论薛定谔桥

Hyeongyeol Lim, Hongjun Yoon, Eunjin Jang, Daeky Jeong, Won June Cho, Hwamin Lee

机构 * Department of Medical Informatics, College of Medicine, Korea University（高丽大学医学院医学信息学系） ； DEEPNOID Inc.（DEEPNOID公司） 纠错

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

AI总结 针对虚拟染色中补丁推理导致的空间不连续和上下文污染问题，提出SheafStain方法，将视觉基础模型特征重新解释为层状截面，结合薛定谔桥框架实现空间和生物学一致的虚拟染色，在HER2等指标上优于六种现有方法。

Comments 32 pages

RLCSD: Reinforcement Learning with Contrastive On-Policy Self-Distillation

RLCSD: 基于对比策略自蒸馏的强化学习

Leyi Pan, Shuchang Tao, Yunpeng Zhai, Lingzhe Zhang, Zhaoyang Liu, Bolin Ding, Aiwei Liu, Lijie Wen

机构 * Tsinghua University（清华大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； Peking University（北京大学） 纠错

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

AI总结 针对策略自蒸馏中特权诱导的风格漂移问题，提出RLCSD方法，通过对比正确与错误提示下的师生差距来抑制风格偏移，提升推理模型在数学和逻辑推理任务上的性能。

Comments 20 pages, 9 figures, 9 tables

An Uncertainty Estimation Framework for Dose Accumulation in Adaptive Radiotherapy: Application to CBCT-Guided Radiotherapy for Cervical Cancer

自适应放疗中剂量累积的不确定性估计框架：应用于宫颈癌CBCT引导放疗

Cedric Hemon, Delphine Lebret, Jean-Claude Nunes, Valentin Boussot, Karine Peignaux, Nathalie Mesgouez-Nebout, Chantal Hanzen, Antoine Simon, Anaïs Barateau, Renaud de Crevoisier, Caroline Lafond

机构 * Univ. Rennes, CLCC Eugène Marquis, INSERM, LTSI - UMR 1099（雷恩大学，尤金·马奎斯中心，法国国家健康与医学研究院，LTSI - UMR 1099） ； Department of Radiation Oncology, Centre Georges-Francois Leclerc（乔治-弗朗索瓦·勒克莱尔中心放射肿瘤科） ； Institut de Cancérologie de l’Ouest–Site Paul Papin（西部癌症研究所-保罗·帕潘院区） ； CLCC Henri Becquerel（亨利·贝克勒尔中心） 纠错

专题命中 病理影像 ：CT(abstract_cn)；分类 cs.CV

AI总结 提出IMPACT-DoseAcc框架，通过贝叶斯分割引导和集成分割模型两种策略量化DIR不确定性，并传播至累积剂量指标，应用于宫颈癌CBCT引导oART，验证了不确定性校准和几何误差相关性。

Comments Under revision

In Defense of Cosine Similarity: Normalization Eliminates the Gauge Freedom

为余弦相似度辩护：归一化消除了规范自由度

Taha Bouhsine

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

AI总结 本文证明，当嵌入被约束到单位球面时，对角规范矩阵的歧义消失，余弦距离与欧氏距离单调等价，从而解决了余弦相似度任意性的问题。

Comments This was a blog post companion draft, it needs to be updated to fit as a preprint, will do later

Enabling Progressive Whole-slide Image Analysis with Multi-scale Pyramidal Network

利用多尺度金字塔网络实现渐进式全切片图像分析

Shuyang Wu, Yifu Qiu, Ines P Nearchou, Sandrine Prost, Jonathan A Fallowfield, Hakan Bilen, Timothy J Kendall

机构 * Institute for Regeneration and Repair, University of Edinburgh（再生与修复研究所，爱丁堡大学） ； School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Indica Labs, 8700 Education Pl NW, Bldg. B Albuquerque, US（Indica实验室，美国阿尔伯克基8700教育大道西北区B座） ； Medical School, University of St Andrews（医学学校，圣安德鲁大学） 纠错

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

AI总结 提出多尺度金字塔网络（MSPN），一种即插即用模块，仅使用单一高倍输入实现渐进式多尺度全切片图像分析，通过网格重映射和粗引导网络学习粗粒度上下文，在多个任务和框架上一致提升MIL性能。

Dual-stream attention-guided learning for weakly supervised whole slide image classification

双流注意力引导学习用于弱监督全切片图像分类

Daoxi Cao, Hangbei Cheng, Yijin Li, Ruolin Zhou, Xuehan Zhang, Xinyi Li, Binwei Li, Xuancheng Gu, Jianan Zhang, Xueyu Liu, Yongfei Wu

机构 * College of Computer Science and Technology, College of Data Science, Taiyuan University of Technology（太原科技大学计算机科学与技术学院、数据科学学院） ； College of Humanities, Law and Foreign Languages, Taiyuan University of Technology（太原科技大学人文学院、法律与外语学院） ； College of Artificial Intelligence, Taiyuan University of Technology（太原科技大学人工智能学院） ； School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络安全学院） ； School of Mathematics, Taiyuan University of Technology（太原科技大学数学学院） 纠错

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

AI总结 提出双流注意力引导学习框架，通过师生双流架构和注意力引导伪标签，解决弱监督下全切片图像中关键区域识别和实例关系建模问题，在合成和真实病理数据集上优于现有方法。

GD-MIL: Grade-Disentangled Multiple Instance Learning for Multimodal Biochemical Recurrence Prediction in Prostate Cancer

GD-MIL：用于前列腺癌多模态生化复发预测的等级解耦多实例学习

Dasari Naga Raju

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 针对前列腺癌生化复发预测，提出GD-MIL方法，通过梯度反转等级对抗训练实现H&E全切片图像特征与Gleason等级解耦，融合临床变量后C-index达0.704，显著优于临床基线。

Stain-Aware Wavelet Regularization for Instant Adversarial Purification in Histopathology

染色感知的小波正则化用于组织病理学中的即时对抗净化

Zhe Li, Bernhard Kainz

机构 * FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 纠错

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

AI总结 提出染色感知小波正则化（SAWR），利用Haar变换的多级小波域正则化分层分离对抗扰动与诊断结构信息，并扩展到组织学通道实现染色特异性频率调节，在即时净化框架中将对抗鲁棒性提升高达10.69%。

Comments 14 pages, 4 figures

One Stone, Three Birds: Self-adaptive Optimal Transport for Multi-VLM Selection, Adaptation, and Ensembling

一石三鸟：面向多VLM选择、自适应与集成的自适应最优传输

Qiyu Xu, Zhanxuan Hu, Yu Duan, Yonghang Tai, Huafeng Li, Quanxue Gao, Xiangyong Cao

机构 * Xi’an Jiaotong University（西安交通大学） ； Yunnan Normal University（云南师范大学） ； Xidian University（西安电子科技大学） ； Kunming University of Science and Technology（昆明理工大学） 纠错

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

AI总结 提出无训练框架OSTB，通过自适应最优传输估计共识样本-类别结构，同时解决多VLM的模型选择、目标域自适应和预测集成问题。

All-in-One Augmented Reality Guided Head and Neck Tumor Resection

一体化增强现实引导的头颈部肿瘤切除

Yue Yang, Matthieu Chabanas, Carrie Reale, Annie Benson, Jason Slagle, Matthew Weinger, Michael Topf, Jie Ying Wu

机构 * Vanderbilt Institute for Surgery and Engineering（范德比尔特手术与工程研究院） ； Vanderbilt University Medical Center（范德比尔特大学医学院） 纠错

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

AI总结 本文提出了一种整合增强现实技术的系统，用于在手术中精确定位肿瘤边缘，通过HoloLens 2的深度感应和自动标记less表面配准，显著提高了手术精度。

Mitosis Detection in the Wild: Multi-Tumor and Context-Aware Generalization in the MIDOG 2025 Challenge

野外有丝分裂检测：MIDOG 2025挑战中的多肿瘤与上下文感知泛化

Marc Aubreville, Jonas Ammeling, Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Robert Klopfleisch, Jiaqi Lv, Shan E Ahmed Raza, Raphaël Bourgade, Thomas Walter, Yasemin Topuz, Songül Varlı, Charles-Antoine Collins-Fekete, Zhuoyan Shen, Navya Sri Kelam, Nitin Singhal, Christian Marzahl, Brian Napora, Tengyou Xu, Hongyan Gu, Mario Vento, Gennaro Percannella, Norbert Ropiak, Izabela Wasiak, Jie Xiao, Shaojun Liu, Seungho Choe, April Khademi, Vidushi Walia, Sujatha Kotte, Andrew Broad, Alex Wright, Guillaume Balezo, Esha Sadia Nasir, Mostafa Jahanifar, Yosuke Yamagishi, Shouhei Hanaoka, Mattia Sarno, Francesco Tortorella, Biwen Meng, Jingxin Liu, Sara Krauss, Daniel Hieber, Lavish Ramchandani, Dev Kumar Das, Mieko Ochi, Yuan Bae, Piotr Giedziun, Mateusz Maniewski, Vangala Govindakrishnan Saipradeep, Naveen Sivadasan, Leire Benito-Del-Valle, Adrian Galdran, Kaustubh Atey, Sameer Anand Jha, Adinath Dukre, Imran Razzak, Maxime W. Lafarge, Viktor H. Koelzer, Nils Porsche, Nikolas Stathonikos, Mitko Veta, Dominik Hirling, Zsanett Zsófia Iván, Peter Horvath, Katharina Breininger, Christof A. Bertram

机构 * Flensburg University of Applied Sciences（弗劳恩霍夫应用科技大学） ； Technische Hochschule Ingolstadt（施特拉尔松德应用技术大学） ； University of Veterinary Medicine（兽医大学） ； Schwarzman Animal Medical Center（施瓦茨曼动物医学中心） ； Freie Universität Berlin（柏林自由大学） ； University of Warwick（沃里克大学） ； MINES Paris - PSL University（巴黎综合理工学院） ； Yildiz Technical University（耶利泽技术大学） ； University College London（伦敦大学学院） ； AIRA MATRIX Private Limited（AIRA MATRIX 私人有限公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Kansas Medical Center（堪萨斯医学中心） ； University of Salerno（萨勒诺大学） ； Cancer Center Sp. z o. o.（癌症中心） ； th Military Research Hospital in Bydgoszcz（比多日茨军医研究所） ； Shenzhen Technology University（深圳技术大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； Tata Consultancy Services Ltd.（塔塔咨询有限公司） ； Leeds Teaching Hospitals NHS Trust（利兹教学医院 NHS信托） ； The University of Tokyo（东京大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学-利物浦大学） ； University of Augsburg（奥格斯堡大学） ； Ulm University（乌尔姆大学） ； Japanese Red Cross Medical Center（日本红十字医疗中心） ； Wroclaw University of Science and Technology（沃拉日市科学与技术大学） ； TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA）） ； Indian Institute of Technology Bombay（孟买印度理工学院） ； MBZUAI ； University of Basel（巴塞尔大学） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； TU Eindhoven（埃因霍温理工大学） ； HUN-REN Biological Research Centre（匈牙利-人生物研究中心） 纠错

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

AI总结 针对临床实际中组织学多样性的挑战，MIDOG 2025挑战评估了跨12种肿瘤类型和多种扫描平台的算法性能，发现模型在传统热点区域表现可靠，但在困难区域和罕见肿瘤中性能显著下降，集成方法可提升F1分数1.5个百分点。

LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations

基于结构化步态-语言表示的LLM条件病理步态合成

Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） 纠错

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

AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。

Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop

Trace-Mediated Peak Bias: Bridging Temporal Credit Assignment and Cognitive Heuristics in Deep Reinforcement Learning

迹介导的峰值偏差：深度强化学习中时间信用分配与认知启发式的桥梁

Viktor Veselý, Aleksandar Todorov, Erwan Escudie, Matthia Sabatelli

机构 * Department of AI, University of Groningen（格罗宁根大学人工智能系） 纠错

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

AI总结 本文发现深度强化学习中的迹介导峰值偏差（TMPB），揭示了其作为峰值-末端规则的机制基础，并证明自适应优化器通过二阶矩归一化可缓解该偏差。

Multi-Modal Machine Learning for Breast Cancer Recurrence Prediction

多模态机器学习用于乳腺癌复发预测

Jiahao Shao, Xudong Wang, Anam Nawaz Khan, Christopher Brett, Xueping Li, Bing Yao

机构 * Department of Industrial & Systems Engineering, The University of Tennessee, Knoxville, TN 37996, USA（工业与系统工程系，田纳西大学，诺克斯维尔，TN 37996，美国） ； The University of Tennessee Medical Center, Knoxville, TN 37920, USA（田纳西大学医学中心，诺克斯维尔，TN 37920，美国） 纠错

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

AI总结 本研究通过整合结构化与非结构化临床数据（治疗记录、病理报告和临床笔记），结合基于规则的正则表达式提取和优先级冲突解决策略，显著提升了乳腺癌复发预测的准确性。

Comments 33 pages, 10 figures

Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning

像病理学家一样：组织感知的全切片图像推理

Wentao Huang, Weimin Lyu, Peiliang Lou, Qingqiao Hu, Xiaoling Hu, Shahira Abousamra, Wenchao Han, Ruifeng Guo, Jiawei Zhou, Chao Chen, Chen Wang

机构 * Stony Brook University（石英溪大学） ； Mayo Clinic（梅奥诊所） ； Harvard Medical School（哈佛医学院） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出一种问题引导、组织感知的粗到细检索框架HistoSelect，通过识别相关组织区域并选择最具信息量的补丁，在减少70%视觉标记的同时提升病理问答准确性。

Comments 14 pages, 8 figures. Accepted by CVPR'26

Beyond Augmented-Action Surrogates for Multi-Expert Learning-to-Defer

超越增强动作代理的多专家学习延迟决策

Yannis Montreuil, Axel Carlier, Lai Xing Ng, Wei Tsang Ooi

机构 * School of Computing（计算学院） ； Fédération ENAC（ENAC联合会） ； ISAE-SUPAERO ； ONERA ； National University of Singapore（新加坡国立大学） ； Université de Toulouse（图卢兹大学） ； Agency for Science, Technology and Research（科技研究局） ； Institute for Infocomm Research（信息通信研究所） 纠错

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

AI总结 针对多专家学习延迟决策问题，提出一种解耦代理损失函数，通过独立sigmoid头与softmax分类器头分离优化，解决了现有方法中的优化病理问题，并首次给出不随专家数量增长的校准常数界。

Frequency-Guided Action Diffusion via Sub-Frequency Manifold Traversal

通过子频率流形遍历的频率引导动作扩散

Junlin Wang

机构 * School of Engineering and Applied Science University of Pennsylvania（工程与应用科学学院 费城大学） 纠错

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

AI总结 提出频率引导算子（FGO），通过子频率流形逐步引导扩散策略生成平滑动作，在15个机器人操作任务上提升了动作平滑性和时间一致性。

Comments A preprint version of FGO

Mitigating Staleness in Asynchronous Pipeline Parallelism via Basis Rotation

通过基旋转缓解异步流水线并行中的陈旧性问题

Hyunji Jung, Sungbin Shin, Namhoon Lee

机构 * POSTECH（POSTECH大学） 纠错

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

AI总结 针对异步流水线并行中梯度陈旧性随流水线深度线性增长的问题，提出基旋转框架，通过将优化器坐标系与Hessian特征基对齐来保持延迟更新的有效性，理论证明最小化基失配并实证在3B参数LLM训练中减少81.7%迭代次数。

Comments ICML 2026

Investigating Memory in Model-Free RL with POPGym Arcade

基于POPGym Arcade的无模型强化学习中的记忆研究

Zekang Wang, Zhe He, Borong Zhang, Edan Toledo, Steven Morad

机构 * Faculty of Science and Technology, University of Macau（澳门大学科技学院） ； Centre for AI, University College London（伦敦大学学院人工智能中心） 纠错

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

AI总结 本文通过引入分析工具和POPGym Arcade环境套件，研究深度强化学习中的记忆机制，发现价值函数会将信用分配到无关历史，并展示分布外场景如何污染记忆。

Comments Appear at ICML 2026 as a Spotlight paper

Cell Phantom Video Generation in Elliptical Fourier Descriptor Domain

椭圆傅里叶描述符域中的细胞假体视频生成

Francesco Benedetto, Roberto Basla, Luca Magri, Giacomo Boracchi

机构 * Department of Electronics Information and Bioengineering（电子信息与生物工程系） 纠错

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

AI总结 本研究提出了一种在椭圆傅里叶描述符（EFD）域中生成细胞假体视频的新框架，通过将细胞假体演变表示为多变量时间序列的EFD系数，引入了强先验知识，从而高效生成在时间上一致的视频，验证了在EFD空间建模时间演变能够生成生物合理性的假体视频，为合成标注数据生成提供了方法，减少了标注努力。

Comments 6 pages, Accepted at the International Conference on Image Processing (ICIP) 2026

Detection of Virus and Small Cell Patches in Foci Images Using Switchable Convolution and Feature Pyramid Networks

利用可切换卷积和特征金字塔网络在焦点图像中检测病毒和小细胞斑块

Amrita Singh, Snehasis Mukherjee

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

AI总结 本文提出了一种改进的YOLOv2检测器，结合特征金字塔网络和可切换空洞卷积机制，以提高在生物医学焦点图像中检测病毒斑块和小细胞斑块的性能，实验结果显示在不同IoU阈值下的mAP值显著提升。

GALAR-TemporalNet v2: Anatomy-Guided Dual-Branch Temporal Classification with Bidirectional Mamba and Dual-Graph GCN for Video Capsule Endoscopy -- after competition results

GALAR-TemporalNet v2: 基于解剖引导的双分支时间分类方法，结合双向Mamba和双图GCN用于视频胶囊内镜

Jiye Won, Seangmin Lee, Soon Ki Jung

机构 * School of Computer Science and Engineering, Kyungpook National University（韩国庆北国立大学计算机科学与工程学院） 纠错

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

AI总结 该研究针对视频胶囊内镜中同时定位8个解剖区域和检测9种病理发现的多标签时间分类问题，提出GALAR-TemporalNet v2模型，通过结合窗口自注意力、双图GCN和双向Mamba解决类别不平衡、长程时间依赖和病理-解剖纠缠问题，最终在RARE-VISION测试集上取得更高的mAP指标。

Comments 7 pages, 2 figures. Post-competition preprint for the ICPR 2026 RARE-VISION Challenge

HAPS: Rethinking Image Similarity for Virtual Staining

HAPS: 重新思考图像相似性以适应虚拟染色

Fedor Gubanov, Svetlana Illarionova, Vlad Kozlovskiy, Mikhail Romanov, Yersultan Akhmetov, Aida Akaeva, Vyacheslav Grinevich, Rifat Hamoudi, Maxim Sharaev

机构 * Skolkovo Institute of Science and Technology（斯克洛洛沃科学与技术研究所） ； University of Sharjah（沙迦大学） ； National Medical Research Radiological Centre of the Ministry of Health of the Russian Federation（俄罗斯联邦卫生部国家医学研究放射中心） 纠错

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

AI总结 本文提出HAPS指标，通过分析组织学图像的相似性，改进了传统通用度量标准在评估虚拟染色质量时的不足，从而提升训练数据质量。

Comments 17 pages, 3 figures

Federated Distillation for Whole Slide Image via Gaussian-Mixture Feature Alignment and Curriculum Integration

通过高斯混合特征对齐和课程整合实现全切片图像的联邦蒸馏

Luru Jing, Cong Cong, Yanyuan Chen, Yongzhi Cao

机构 * School of Computer Science, Peking University, Beijing, China（北京大学计算机科学系） ； Center for Health Informatics, Australian Institute of Health Innovation, Macquarie University, Sydney, NSW 2113, Australia（健康信息学中心，澳大利亚健康创新研究所，麦考利大学，悉尼，NSW 2113，澳大利亚） ； School of Data Science, University of Virginia, Charlottesville, VA, USA（数据科学学院，弗吉尼亚大学，夏洛特维尔，VA，美国） 纠错

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

AI总结 本文提出FedHD框架，通过高斯混合特征对齐和课程整合策略，在联邦学习中实现全切片图像分析，通过本地生成的语义丰富合成特征表示提升模型性能，同时保持诊断多样性。

Comments Accepted by ICML 2026, Camera-Ready version updated

Multimodal system for skin cancer detection

多模态皮肤癌检测系统

Volodymyr Sydorskyi, Igor Krashenyi, Oleksii Yakubenko

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

AI总结 本文提出一种多模态皮肤癌检测系统，结合传统照片图像与表格型元数据（如患者人口统计数据和病变特征），通过多模态神经网络和两阶段模型提升检测准确率，并通过三阶段流程进一步优化预测，最终在不平衡数据集上实现显著性能提升。

Comments Accepted to System research and information technologies

Journal ref System Research and Information Technologies, no. 1, pp. 33-57, 2026

USIGAN: Unbalanced Self-Information Feature Transport for Weakly Paired Image IHC Virtual Staining

USIGAN: 用于弱配对图像IHC虚拟染色的不平衡自信息特征传输

Yue Peng, Bing Xiong, Fuqiang Chen, De Eybo, RanRan Zhang, Wanming Hu, Jing Cai, Wenjian Qin

机构 * ShenZhen Institues of Advanced Technology, university chinese academy of sciences（深圳先进技术研究院，中国科学院） 纠错

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

AI总结 本文提出USIGAN方法，通过提取全局形态学语义来解决弱配对条件下IHC虚拟染色的不一致问题，改进生成结果的病理语义一致性。

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。