病理学全扫描图像（WSIS）的表示学主要依赖于多个实例学习（MIL）的弱监督。这种方法导致幻灯片表示高度针对特定的临床任务。自我监督学习（SSL）已成功地应用于培训组织病理学基础模型（FMS），以进行补丁嵌入生成 ...
准确地对多类细胞拓扑进行建模对于数字病理学至关重要，因为它为组织结构和病理提供了关键的见解。细胞拓扑的合成生成能够对复杂的组织环境进行现实模拟，通过增强训练数据，更紧密地与病理学家的领域知识保持一致，并为控制和推广肿瘤微环境提供新的机会。在本文中，我们提出了一种新颖的方法，该方法将拓扑约束整合到扩散模型中，以改善现实，上下文准确的细胞拓扑的产生 ...
空间转录组学（ST）的最新进展具有空间分辨的基因表达谱，从而根据图像贴片对不同组织位置的基因表达进行了预测。这为增强具有局部基因表达的整个幻灯片图像（WSI）预测任务开辟了新的可能性。但是，现有方法无法完全利用不同组织位置之间的相互作用，这对于准确的关节预测至关重要 ...
大型多模型模型（LMM）的出现为病理带来了重大进步。先前的研究主要集中于单独训练补丁级和全扫描图像（WSI）级别模型，从而限制了跨斑块和WSIS的学习知识的集成，并导致了冗余模型。在这项工作中，我们介绍了CPATH-OMNI，这是前150亿参数LMM，旨在统一补丁和WSI级别的图像分析，整合了两个级别的各种任务，包括分类，视觉问答答案，字幕和视觉参考提示 ...
尽管多模式大语言模型（MLLM）在计算病理学中取得了进展，但它们仍然受到对贴片级分析的主要关注，在整个级别层面上缺少基本的上下文信息。缺乏大规模的指导数据集和整个幻灯片图像（WSIS）的Gigapixel量表构成了重大的发展挑战。在本文中，我们提出了Slidechat，这是能够理解Gigapixel全斜面图像的第一个视觉语言助手，展现了各种病理方案的出色多模式对话能力和反应复杂的教学 ...
尽管多企业学习（MIL）在病理图像分类方面取得了成功，但由于处理了Gigapixel全幻灯片图像（WSIS）的众多补丁，它面临着高推理成本的挑战。为了解决这个问题，我们提出了HDMIL，这是一个层次蒸馏的多实体学习框架，通过消除无关的斑块来快速而准确地分类。 HDMIL由两个关键组成部分组成：动态多实施网络（DMIN）和轻巧实例预筛选网络（LIPN） ...
包括病理图像和基因谱的多模式数据的整合被广泛应用于精确的生存预测中。尽管多模式生存模型最近取得了进步，但收集多模式融合的完整方式仍然构成了重大挑战，从而阻碍了其在临床环境中的应用。当前应对不完整方式的方法通常不足，因为它们通常仅补偿缺失方式的有限部分 ...
很少有学习为计算病理学（CPATH）中癌症诊断的关键解决方案，解决了数据可用性的基本限制，尤其是专家注释和患者隐私限制的稀缺性。该范式中的一个关键挑战源于整个幻灯片图像（WSIS）的有限训练集（WSIS）与大量包含的斑块之间的固有差异，在这些斑块中，这些斑块中的很大一部分缺乏诊断相关的信息，潜在地稀释了该模型的学习能力并专注于关键诊断功能。尽管最近的作品试图通过合并其他知识来解决这一问题，但几个关 ...
