医学 AI

Revisiting Data Challenges of Computational Pathology: A Pack-based Multiple Instance Learning Training Framework

重新审视计算病理学的数据挑战：一种基于包的多实例学习训练框架

Wenhao Tang, Heng Fang, Ge Wu, Xiang Li, Ming-Ming Cheng

机构 * VCIP, School of Computer Science, Nankai University（VCIP，计算机科学学院，南开大学） ； Huazhong University of Science and Technology（华中科技大学） ； Nankai International Advanced Research Institute (Shenzhen Futian)（南开国际先进研究院（深圳福田）） 纠错

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

AI总结 本文提出一种基于包的多实例学习框架，通过打包变长特征序列和引入残差分支，提升计算病理学中WSI处理的效率和准确性。

Comments 24 pages, 6 figures

PixCell: A generative foundation model for digital histopathology images

PixCell：数字病理图像的生成基础模型

Srikar Yellapragada, Alexandros Graikos, Zilinghan Li, Kostas Triaridis, Varun Belagali, Tarak Nath Nandi, Karen Bai, Beatrice S. Knudsen, Tahsin Kurc, Rajarsi R. Gupta, Prateek Prasanna, Ravi K Madduri, Joel Saltz, Dimitris Samaras

机构 * Stony Brook University（石溪大学） ； Argonne National Laboratory（阿贡国家实验室） ； The University of Chicago（芝加哥大学） ； University of Utah（犹他大学） 纠错

专题命中 病理影像 ：pathology(abstract)；diagnosis(abstract)；分类 cs.CV、q-bio、eess.IV

AI总结 PixCell是首个针对数字病理图像的生成基础模型，通过扩散模型在大规模数据集上训练，实现隐私保护的数据生成和虚拟染色任务，提升病理学研究效率。

Comments Project page - https://histodiffusion.github.io/docs/projects/pixcell

Research on Brain Tumor Classification Method Based on Improved ResNet34 Network

基于改进ResNet34网络的脑肿瘤分类方法研究

Yufeng Li, Wenchao Zhao, Bo Dang, Weimin Wang

专题命中 病理影像 ：medical image(abstract)；radiology(abstract)；分类 cs.CV

AI总结 本文提出基于改进ResNet34网络的脑肿瘤分类模型，通过多尺度特征提取和通道注意力机制提升分类准确率至98.8%，参数量减少至原模型的80%。

A Hybrid Deep Learning Framework with Explainable AI for Lung Cancer Classification with DenseNet169 and SVM

一种结合可解释AI的深度学习混合框架用于肺癌分类（DenseNet169与SVM）

Md Rashidul Islam, Bakary Gibba, Altagi Abdallah Bakheit Abdelgadir

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

AI总结 本文提出结合DenseNet169和SVM的深度学习框架，利用可解释AI技术提升肺癌分类的准确性和透明度，实验表明两种模型均达到98%的准确率。

xEEGNet: Towards Explainable AI in EEG Dementia Classification

xEEGNet：迈向EEG痴呆分类中的可解释人工智能

Andrea Zanola, Louis Fabrice Tshimanga, Federico Del Pup, Marco Baiesi, Manfredo Atzori

机构 * Department of Neuroscience, University of Padua（帕多瓦大学神经科学系） ； Padua Neuroscience Center（帕多瓦神经科学中心） ； Department of Information Engineering, University of Padua（帕多瓦大学信息工程系） ； Department of Physics and Astronomy, University of Padua（帕多瓦大学物理与天文学系） ； Information Systems Institute, University of Applied Sciences Western Switzerland (HES-SO Valais)（瑞士西部应用科学大学信息系统研究所） 纠错

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

AI总结 xEEGNet通过减少参数和提升可解释性，在EEG痴呆分类中实现了高性能和低过拟合，展示了小型架构的有效性。

Journal ref J. Neural Eng. 22, 046042 (2025)

Cross-Stain Contrastive Learning for Paired Immunohistochemistry and Histopathology Slide Representation Learning

跨染色对比学习用于配对免疫组化和病理切片的表示学习

Yizhi Zhang, Lei Fan, Zhulin Tao, Donglin Di, Yang Song, Sidong Liu, Cong Cong

机构 * Communication University of China（通信大学） ； Tsinghua University（清华大学） ； Macquarie University（麦考瑞大学） 纠错

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

AI总结 本文提出CSCL方法，通过跨染色对比学习提升H&E与IHC特征的兼容性，实现高质量的切片级表示学习。

Comments 6 pages, 2 figures. Camera-ready version accepted for IEEE BIBM 2025