医学 AI

To What Extent Do Token-Level Representations from Pathology Foundation Models Improve Dense Prediction?

病理基础模型的标记级表示在密集预测中有多大的提升作用？

Weiming Chen, Xitong Ling, Xidong Wang, Zhenyang Cai, Yijia Guo, Mingxi Fu, Ziyi Zeng, Minxi Ouyang, Jiawen Li, Yizhi Wang, Tian Guan, Benyou Wang, Yonghong He

机构 * Tsinghua University, Shenzhen, China（清华大学深圳研究院） ； Peking University, Beijing, China（北京大学） 纠错

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

AI总结 本文提出PFM-DenseBench，通过评估17个病理基础模型在18个数据集上的表现，揭示不同模型和调优策略在异构数据集上的性能差异及适用性。

StainNet: Scaling Self-Supervised Foundation Models on Immunohistochemistry and Special Stains for Computational Pathology

StainNet: 通过免疫组化和特殊染色在计算病理学中扩展自监督基础模型

Jiawen Li, Jiali Hu, Xitong Ling, Yongqiang Lv, Yuxuan Chen, Yizhi Wang, Tian Guan, Yifei Liu, Yonghong He

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院） ； Biomedical Engineering Programme, City University of Hong Kong (Dongguan)（香港城市大学（东莞）生物医学工程项目） ； Department of Pathology, Affiliated Hospital of Nantong University（南通大学附属医院病理科） ； Nantong University（南通大学） 纠错

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

AI总结 StainNet通过自监督学习方法，针对IHC和特殊染色图像训练基础模型，提升计算病理学在非H&E图像中的应用能力。

Comments 26 pages, 7 figures, 10 tables

Benchmarking Foundation Models for Mitotic Figure Classification

对有监督模型进行基准测试以进行分裂图分类

Jonas Ammeling, Jonathan Ganz, Emely Rosbach, Ludwig Lausser, Christof A. Bertram, Katharina Breininger, Marc Aubreville

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

AI总结 本研究通过LoRA调整基础模型，在仅用10%训练数据的情况下达到接近100%性能，并在未见领域中表现优异。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:003

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

MMSF: Multitask and Multimodal Supervised Framework for WSI Classification and Survival Analysis

MMSF：多任务和多模态监督框架用于WSI分类和生存分析

Chengying She, Chengwei Chen, Xinran Zhang, Ben Wang, Lizhuang Liu, Chengwei Shao, Yun Bian

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海先进研究院） ； Department of Radiology, Changhai Hospital（昌海医院放射科） 纠错

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

AI总结 MMSF通过多任务和多模态监督框架，结合组织拓扑和临床数据，提升全滑片图像分类和生存分析的准确性和预后预测能力。

Comments Submitted to "Biomedical Signal Processing and Control"

Fast, Unsupervised Framework for Registration Quality Assessment of Multi-stain Histological Whole Slide Pairs

快速、无监督的多染色组织全切片图像配准质量评估框架

Shikha Dubey, Patricia Raciti, Kristopher Standish, Albert Juan Ramon, Erik Ames Burlingame

机构 * Digital Health, Computer Vision, NJ, USA 2 Johnson \& Johnson, Oncology Translational Research, PA, USA 纠错

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

AI总结 本文提出一种快速无监督框架，用于评估多染色全切片图像配准质量，通过结合掩码和变形度量指标，实现高保真度的配准质量评估。

Comments Accepted to IEEE ISBI 2026