医学 AI

Seeing Isn't Always Believing: Analysis of Grad-CAM Faithfulness and Localization Reliability in Lung Cancer CT Classification

看见不总是相信：肺癌CT分类中Grad-CAM可信度与局部化可靠性的分析

Teerapong Panboonyuen

机构 * Chulalongkorn University（朱拉隆功大学） 纠错

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

AI总结 本研究分析了Grad-CAM在肺癌CT分类中的可信度与局部化可靠性，揭示了其在不同模型中的表现差异及局限性。

Comments 7 pages

Enhanced Diagnostic Performance via Large-Resolution Inference Optimization for Pathology Foundation Models

通过大规模分辨率推断优化提升诊断性能的病理基础模型

Mengxuan Hu, Zihan Guan, John Kang, Sheng Li, Zhongliang Zhou

机构 * University of Virginia（弗吉尼亚大学） ； Merck & Co., Inc. Biometrics Research（默克公司生物医学研究） 纠错

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

AI总结 本文提出了一种高效推断策略，通过稀疏化注意力和过滤非信息性标记，在保持性能的同时提升高分辨率WSI推断效率。

Comments 8 pages

DiffusionQC: Artifact Detection in Histopathology via Diffusion Model

DiffusionQC：通过扩散模型在病理学中检测伪影

Zhenzhen Wang, Zhongliang Zhou, Zhuoyu Wen, Jeong Hwan Kook, John B Wojcik, John Kang

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） 纠错

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

Histopath-C: Towards Realistic Domain Shifts for Histopathology Vision-Language Adaptation

Histopath-C: 向 histopathology 视觉-语言适应的现实领域偏移迈进

Mehrdad Noori, Gustavo Adolfo Vargas Hakim, David Osowiechi, Fereshteh Shakeri, Ali Bahri, Moslem Yazdanpanah, Sahar Dastani, Ismail Ben Ayed, Christian Desrosiers

机构 * LIVIA, ÉTS Montreal, Canada International Laboratory on Learning Systems (ILLS)（LIVIA，蒙特利尔工程学院，加拿大国际学习系统实验室） 纠错

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

AI总结 Histopath-C通过引入现实合成损坏的基准和LATTE策略，提升组织病理学图像的视觉-语言适应鲁棒性。

Comments Accepted to WACV 2026

An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion

基于金字塔自适应空洞卷积、Transformer集成和多尺度特征融合的乳腺癌检测创新框架

Ehsan Sadeghi Pour, Mahdi Esmaeili, Morteza Romoozi

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

AI总结 本文提出基于金字塔自适应空洞卷积、Transformer和多尺度特征融合的乳腺癌检测框架，实现高准确率和效率，优于现有方法。

Comments 13 page

SGPMIL: Sparse Gaussian Process Multiple Instance Learning

SGPMIL：稀疏高斯过程多实例学习

Andreas Lolos, Stergios Christodoulidis, Aris L. Moustakas, Jose Dolz, Maria Vakalopoulou

机构 * National and Kapodistrian University of Athens（希腊国家与卡波迪斯蒂亚诺斯大学） ； ÉTS Montréal（蒙特利尔ÉTS） ； Archimedes, Athena Research Center（阿提卡研究中心） ； CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工-supélec） 纠错

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

AI总结 SGPMIL通过引入稀疏高斯过程，提升多实例学习中实例级预测的可靠性与可解释性。

Comments 8 pages, 4 figures, 2 tables. Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026