医学 AI

EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders

EXPOSE：基于稀疏自编码器的病理视觉基础模型可解释且领域鲁棒的嵌入表示

Anja Witte, Maximilian Lennartz, Jan Baumbach, Guido Sauter, Stefan Bonn, Patrick Fuhlert, Marina Zimmermann

机构 * University Medical Center Hamburg-Eppendorf（汉堡埃彭多夫大学医学中心） ； University of Hamburg（汉堡大学） ； German Center for Child and Adolescent Health（德国儿童与青少年健康中心） 纠错

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

AI总结 本研究针对病理视觉基础模型嵌入的领域偏移问题，提出EXPOSE框架，利用稀疏自编码器解耦并抑制领域特定特征，在前列腺癌数据集实验中提升了跨域性能与嵌入鲁棒性。

Destroy Me: Automatic Artifact Generation for Histopathology Images

销毁我：组织病理图像的人工制品自动生成

Zuzanna Krawczyk-Borysiak, Adam Krawczyk, Mateusz Miller, Gabriela Kaczmarek, Sławomir Pakuło, Małgorzata Sokół, Żaneta Swiderska-Chadaj

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

AI总结 该研究提出名为“Destroy Me”的混合框架，通过合成六种病理图像人工制品增强数据，训练的nnU-Net模型在肺腺癌分类任务中宏F1和Cohen’s Kappa分别提升10.5%、15%，平衡了鲁棒性与诊断特征保留。