医学 AI

From slides to AI-ready maps: Standardized multi-layer tissue maps as metadata for artificial intelligence in digital pathology

从幻灯片到AI-ready地图：标准化的多层组织地图作为数字病理学中人工智能的元数据

Gernot Fiala, Markus Plass, Robert Harb, Peter Regitnig, Kristijan Skok, Wael Al Zoughbi, Carmen Zerner, Paul Torke, Michaela Kargl, Heimo Müller, Tomas Brazdil, Matej Gallo, Jaroslav Kubín, Roman Stoklasa, Rudolf Nenutil, Norman Zerbe, Andreas Holzinger, Petr Holub

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

AI总结 本文提出了一种生成标准化多层组织地图的框架，用于数字病理学中AI的元数据标准化，提升WSI档案的搜索能力和数据集构建效率。

Journal ref Artificial Intelligence in Medicine, Volume 174 (2026), 103368

Deep-Learning Atlas Registration for Melanoma Brain Metastases: Preserving Pathology While Enabling Cohort-Level Analyses

深度学习解剖图谱注册用于黑色素瘤脑转移：在保留病理学的同时实现队列级分析

Nanna E. Wielenberg, Ilinca Popp, Oliver Blanck, Lucas Zander, Jan C. Peeken, Stephanie E. Combs, Anca-Ligia Grosu, Dimos Baltas, Tobias Fechter

机构 * Department of Radiation Oncology, Medical Center – University of Freiburg, Faculty of Medicine, University of Freiburg（放射肿瘤科，弗赖堡大学医学中心-弗赖堡大学医学院） ； Division of Medical Physics, Department of Radiation Oncology, Medical Center – University of Freiburg, Faculty of Medicine, University of Freiburg（医学物理系，放射肿瘤科，弗赖堡大学医学中心-弗赖堡大学医学院） ； Department of Radiation Oncology, University Medical Center Schleswig-Holstein（放射肿瘤科，石勒苏益格-荷尔斯泰因大学医学中心） ； Department of Radiation Oncology, TUM School of Medicine and Health, TUM University Hospital Rechts der Isar, Technical University of Munich（放射肿瘤科，慕尼黑技术大学医学院及健康科学系，慕尼黑技术大学医院雷chts der Isar） 纠错

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

AI总结 本文提出深度学习方法实现黑色素瘤脑转移的精准图谱注册，无需病变掩膜即可在多中心数据中实现标准化分析，验证了转移灶的空间偏好。

Deep Learning-Based Fixation Type Prediction for Quality Assurance in Digital Pathology

基于深度学习的固定类型预测用于数字病理学的质量保证

Oskar Thaeter, Tanja Niedermair, Jan E. G. Albin, Johannes Raffler, Ralf Huss, Peter J. Schüffler

机构 * Institute of Pathology, Technical University of Munich, Germany（慕尼黑技术大学病理学研究所） ； School of Computation, Information and Technology, Technical University of Munich, Germany（慕尼黑技术大学计算、信息与技术学院） ； Munich Center for Machine Learning, Germany（慕尼黑机器学习中心） ； Institute of Pathology, University of Regensburg, Regensburg, Germany（罗森堡大学病理学研究所） ； Institute of Pathology and Molecular Diagnostics, University Hospital of Augsburg, Germany（埃格利希大学医院病理学与分子诊断研究所） ； Digital Medicine, University Hospital of Augsburg, Germany（埃格利希大学医院数字医学） ； Bavarian Cancer Research Center (BZKF), Augsburg, Germany（巴伐利亚癌症研究中心（BZKF）） ； Bio M {}^{\text{M}} Biotech Cluster Development GmbH, Martinsried, Germany（Bio M {}^{\text{M}} 生物技术集群发展 GmbH） ； Institute of Pathology, Medical Faculty Mannheim, University Heidelberg, Germany（海德堡大学曼海姆医学学院病理学研究所） ； Munich Data Science Institute, Technical University of Munich, Germany（慕尼黑数据科学研究所） 纠错

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

AI总结 本研究提出一种基于深度学习的模型，利用低分辨率预扫描图像预测病理切片的固定类型，提高了高通量病理学工作流程中的质量控制效率。

Comments 11 pages, 6 figures, 7 tables

Prototype-driven fusion of pathology and spatial transcriptomics for interpretable survival prediction

基于病理学和空间转录组的原型驱动融合用于可解释的生存预测

Lihe Liu, Xiaoxi Pan, Yinyin Yuan, Lulu Shang

机构 * Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心） ； Department of Translational Molecular Pathology, MD Anderson Cancer Center（转化分子病理学系，MD安德森癌症中心） ； The Institute for Data Science in Oncology (IDSO), MD Anderson Cancer Center（肿瘤学数据科学研究所（IDSO），MD安德森癌症中心） 纠错

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

AI总结 PathoSpatial通过整合病理学和空间转录组数据，实现可解释的生存预测，提升多模态学习的可解释性和有效性。

Unifying Multiple Foundation Models for Advanced Computational Pathology

统一多种基础模型以推进高级计算病理学

Wenhui Lei, Yusheng Tan, Anqi Li, Hanyu Chen, Hengrui Tian, Ruiying Li, Zhengqun Jiang, Fang Yan, Xiaofan Zhang, Shaoting Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Washington University in St. Louis（华盛顿大学） ； University of Science and Technology Beijing（北京科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Surgical Oncology and General Surgery, Key Laboratory of Precision Diagnosis and Treatment of Gastrointestinal Tumours, Ministry of Education, The First Hospital of China Medical University（外科肿瘤科和普通外科，国家教育委员会胃肠道肿瘤精准诊断与治疗重点实验室，中国医科大学第一医院） ； Shanghai Innovation Institute（上海创新研究院） ； Sensetime Research（商汤科技研究院） 纠错

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

AI总结 Shazam通过在线整合多个预训练病理基础模型，实现高效且可扩展的计算病理学应用，优于单个模型性能。

Comments 50 pages, 5 main figures

Potential Role of Agentic Artificial Intelligence in Toxicologic Pathology

代理人工智能在毒理病理学中的潜在作用

Nasir Rajpoot, Richard Haworth, Xavier Palazzi, Alok Sharma, Manu Sebastian, Stephen Cahalan, Dinesh S. Bangari, Radhakrishna Sura, James Hartke, Marco Tecilla, Krishna Yekkala, Simon Graham, Dang Vu, David Snead, Mostafa Jahanifar, Adnan Khan, Erio Barale-Thomas

专题命中 病理影像 ：pathology(title,abstract)

AI总结 本文探讨了代理人工智能在毒理病理学报告中的应用，分析了当前工作流程中的痛点，提出了分阶段的采用路线图，并强调了跨领域协作的重要性。

Augmented Intelligence for Multimodal Virtual Biopsy in Breast Cancer Using Generative Artificial Intelligence

增强智能用于乳腺癌多模态虚拟活检的生成式人工智能

Aurora Rofena, Claudia Lucia Piccolo, Bruno Beomonte Zobel, Paolo Soda, Valerio Guarrasi

机构 * Department of Radiology, Fondazione Policlinico Campus Bio-Medico（放射学系，政策临床医学院） ； Department of Radiology, Università Campus Bio-Medico di Roma（放射学系，罗马生物医学大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入系，辐射物理，生物医学工程，乌梅拉大学） 纠错

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

AI总结 本文提出基于生成式人工智能的多模态虚拟活检方法，整合FFDM和CESM模态以提高乳腺病变分类准确性，并公开数据集促进研究进展。

Amortized Reasoning Tree Search: Decoupling Proposal and Decision in Large Language Models

渐进推理树搜索：在大语言模型中解耦提案与决策

Zesheng Hong, Jiadong Yu, Hui Pan

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 ARTS通过解耦生成与验证，有效解决大语言模型中推理路径被压制的问题，实现74.6%的性能，优于完全微调策略。