医学 AI

PathGLS: Evaluating Pathology Vision-Language Models without Ground Truth through Multi-Dimensional Consistency

PathGLS: 通过多维一致性评估病理视觉-语言模型无需真实数据

Minbing Chen, Zhu Meng, Fei Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出PathGLS，一种无需真实数据的病理VLM评估框架，从 grounding、logic 和 stability 三个维度评估模型性能，通过实验验证其在多个数据集上的优越性，显著优于其他方法。

Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers

基于布局的可控病理图像生成与上下文扩散变换器

Yuntao Shou, Xiangyong Cao, Qian Zhao, Deyu Meng

机构 * Xi'an Jiaotong University（西安交通大学） 纠错

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

AI总结 本文提出基于布局的可控病理图像生成方法，通过多代理LVLM注释框架构建精细临床对齐的监督数据，提出IC-DiT模型整合空间布局、文本描述和视觉嵌入，实现高保真生成与强空间可控性。

Comments 19 pages

A protocol for evaluating robustness to H&E staining variation in computational pathology models

评估计算病理学模型对苏木精-伊红染色变异鲁棒性的协议

Lydia A. Schönpflug, Nikki van den Berg, Sonali Andani, Nanda Horeweg, Jurriaan Barkey Wolf, Tjalling Bosse, Viktor H. Koelzer, Maxime W. Lafarge

机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Institute of Medical Genetics and Pathology, University Hospital Basel（巴塞尔大学医学遗传学与病理学研究所） ； Department of Pathology, Leiden University Medical Center（莱顿大学医学中心病理学系） ； Department of Radiation Oncology, Leiden University Medical Center（莱顿大学医学中心放射肿瘤学系） 纠错

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

AI总结 本文提出评估计算病理学模型对H&E染色变异鲁棒性的三步协议，通过模拟染色条件评估模型性能变化，揭示鲁棒性与分类性能的弱负相关，支持模型可靠部署的范围识别。

LoC-Path: Learning to Compress for Pathology Multimodal Large Language Models

LoC-Path：学习压缩用于病理多模态大语言模型

Qingqiao Hu, Weimin Lyu, Meilong Xu, Kehan Qi, Xiaoling Hu, Saumya Gupta, Jiawei Zhou, Chao Chen

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

AI总结 LoC-Path通过压缩滑片图像特征，降低多模态模型的训练和推理成本，使在有限资源下实现高效病理大语言模型成为可能。

Comments Code will be released soon

Streamline pathology foundation model by cross-magnification distillation

通过跨放大蒸馏流线病理基础模型

Ziyu Su, Abdul Rehman Akbar, Usama Sajjad, Anil V. Parwani, Muhammad Khalid Khan Niazi

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

AI总结 XMAG通过跨放大蒸馏方法开发出轻量级基础模型，在5倍放大下实现高效病理分析，达到与大模型相当的诊断准确率并提升30倍处理速度。

Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology

基于类可视化和激活图谱的深度学习计算病理学解释性增强

Marco Gustav, Fabian Wolf, Christina Glasner, Nic G. Reitsam, Stefan Schulz, Kira Aschenbroich, Bruno Märkl, Sebastian Foersch, Jakob Nikolas Kather

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

AI总结 本研究提出基于类可视化和激活图谱的深度学习计算病理学解释性增强方法，通过评估不同标签粒度下的模型表现，揭示了变压器模型中的结构化形态流形。

A Lightweight Multi-Cancer Tumor Localization Framework for Deployable Digital Pathology

一种轻量级多癌症肿瘤定位框架用于可部署的数字病理学

Brian Isett, Rebekah Dadey, Aofei Li, Ryan C. Augustin, Kate Smith, Aatur D. Singhi, Qiangqiang Gu, Riyue Bao

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

AI总结 本研究提出了一种轻量级多癌症肿瘤定位框架，通过跨癌症平衡训练实现高泛化能力，适用于数字病理学的可部署应用。

Comments 9 pages, 2 figures

MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models

MINT: 通过空间转录组监督进行病理基础模型的分子引导训练

Minsoo Lee, Jonghyun Kim, Juseung Yun, Sunwoo Yu, Jongseong Jang

机构 * LG AI Research（LG人工智能研究） 纠错

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

AI总结 MINT通过整合空间转录组监督提升病理基础模型的分子信息捕捉能力，实现基因表达预测和病理任务的性能优化。

SAMPO-Path: Segmentation Intent-Aligned Preference Optimization for Pathology Foundation Model Segmentation

SAMPO-Path: 分段意图对齐的偏好优化用于病理基础模型分段

Yonghuang Wu, Wenwen Zeng, Xuan Xie, Chengqian Zhao, Guoqing Wu, Jinhua Yu

机构 * School of Biomedical Engineering and Technological Innovation, Fudan university, Shanghai, China.（生物医学工程与技术创新学院，复旦大学，上海，中国） 纠错

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

AI总结 SAMPO-Path通过偏好优化框架提升病理图像分割的准确性和临床意图一致性。

Comments 15 pages, 9 tables, 8 figures

QCAgent: An agentic framework for quality-controllable pathology report generation from whole slide image

QCAgent：一种用于从全切片图像生成质量可控病理科报告的代理框架

Rundong Wang, Wei Ba, Ying Zhou, Yingtai Li, Bowen Liu, Baizhi Wang, Yuhao Wang, Zhidong Yang, Kun Zhang, Rui Yan, S. Kevin Zhou

机构 * School of Biomedical Engineering, Division of Life Sciences ； Medicine, University of Science ； Technology of China, Hefei, Anhui, 230026, P.R. China Center for Medical Imaging, Robotics, Analytic Computing \& Learning (MIRACLE), Suzhou Institute for Advance Research, USTC, 215123, P.R. China Chinese PLA General Hospital Ninth Medical Center, China Hong Kong University of Science 纠错

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

AI总结 QCAgent通过引入定制批评机制和证据驱动的细化流程，实现从全切片图像生成质量可控、具有临床意义的病理科报告。

Mixed Magnification Aggregation for Generalizable Region-Level Representations in Computational Pathology

混合放大聚合用于计算病理学中的通用区域级表示

Eric Zimmermann, Julian Viret, Michal Zelechowski, James Brian Hall, Neil Tenenholtz, Adam Casson, George Shaikovski, Eugene Vorontsov, Siqi Liu, Kristen A Severson

机构 * Microsoft Research（微软研究院） ； Paige 纠错

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

AI总结 本文提出混合放大聚合编码器，通过多分辨率特征捕捉提升计算病理学中区域级表示的通用性和预测性能。

A deep learning framework for efficient pathology image analysis

一种用于高效病理图像分析的深度学习框架

Peter Neidlinger, Tim Lenz, Sebastian Foersch, Chiara M. L. Loeffler, Jan Clusmann, Marco Gustav, Lawrence A. Shaktah, Rupert Langer, Bastian Dislich, Lisa A. Boardman, Amy J. French, Ellen L. Goode, Andrea Gsur, Stefanie Brezina, Marc J. Gunter, Robert Steinfelder, Hans-Michael Behrens, Christoph Röcken, Tabitha Harrison, Ulrike Peters, Amanda I. Phipps, Giuseppe Curigliano, Nicola Fusco, Antonio Marra, Michael Hoffmeister, Hermann Brenner, Jakob Nikolas Kather

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

AI总结 EAGLE是一种高效病理图像分析框架，通过选择性分析信息区域，提升处理效率并减少计算时间，实现更快速和可靠的病理诊断。

Towards Spatial Transcriptomics-driven Pathology Foundation Models

迈向基于空间转录组的病理基础模型

Konstantin Hemker, Andrew H. Song, Cristina Almagro-Pérez, Guillaume Jaume, Sophia J. Wagner, Anurag Vaidya, Nikola Simidjievski, Mateja Jamnik, Faisal Mahmood

机构 * Department of Pathology, Mass General Brigham, Harvard Medical School, Boston, MA, USA（病理学系，马萨诸塞州总医院与哈佛医学院，波士顿，马萨诸塞州，美国） ； Department of Computer Science & Technology, University of Cambridge, Cambridge, UK（计算机科学与技术系，剑桥大学，剑桥，英国） ； Cancer Program, Broad Institute of Harvard and MIT, Cambridge, MA, USA（癌症计划，哈佛与麻省理工联合学院，剑桥，马萨诸塞州，美国） ； Data Science Program, Dana-Farber Cancer Institute, Boston, MA, USA（数据科学计划，达纳-法伯癌症研究所，波士顿，马萨诸塞州，美国） ； Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology, Cambridge, MA, USA（哈佛-麻省理工健康科学与技术 division，麻省理工学院，剑桥，马萨诸塞州，美国） ； Télécom Paris, Institut Polytechnique de Paris, Paris, France（巴黎电信学院，巴黎理工学院，巴黎，法国） ； Harvard Data Science Initiative, Harvard University, Cambridge, MA, USA（哈佛大学数据科学倡议，哈佛大学，剑桥，马萨诸塞州，美国） 纠错

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

AI总结 SEAL通过整合局部分子信息提升病理基础模型性能，实现跨模态应用与领域泛化。

Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology

融合像素与基因：计算病理学中的空间感知学习

Minghao Han, Dingkang Yang, Linhao Qu, Zizhi Chen, Gang Li, Han Wang, Jiacong Wang, Lihua Zhang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Fysics Intelligence Technologies Co., Ltd. (Fysics AI)（菲茨斯智能科技有限公司（菲茨斯AI）） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Tencent Youtu Lab（腾讯优图实验室） ； ByteDance（字节跳动） 纠错

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

AI总结 STAMP通过整合空间解析基因表达数据，提升计算病理学中多模态学习的性能与泛化能力。

Comments accepted by ICLR 2026, 34 pages, 10 figures, 7tables

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

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

Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations

病理基础模型是否编码疾病进展？对视觉表示的伪时间分析

Pritika Vig, Ren-Chin Wu, William Lotter

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Pathology, Dana-Farber Cancer Institute（达纳-法伯癌症研究所病理部） ； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学部） ； Brigham and Women's Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 研究探讨视觉基础模型是否能隐式学习连续疾病进程，通过伪时间分析发现模型在表示空间中能组织疾病状态，轨迹保真度与分类性能相关。

Comments 21 pages, 17 figures. Appendix included

HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection

HAAF: 用于少样本病理异常检测的层次适应与对齐框架

Chunze Yang, Wenjie Zhao, Yue Tang, Junbo Lu, Jiusong Ge, Qidong Liu, Zeyu Gao, Chen Li

机构 * Sch Comp Sci \& Technol, Xi'an Jiaotong University Xi'an China ； University of Cambridge Cambridge United Kingdom ； Sch Comp Sci \& Technol, Xi'an Jiaotong University ； University of Cambridge 纠错

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

AI总结 HAAF通过层次适应与对齐框架，解决少样本病理异常检测中的粒度不匹配问题，提升模型在低资源场景下的性能。

VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology

VISTA-PATH: 一种交互式的基础模型用于计算病理学中病理图像分割和定量分析

Peixian Liang, Songhao Li, Shunsuke Koga, Yutong Li, Zahra Alipour, Yucheng Tang, Daguang Xu, Zhi Huang

机构 * Department of Pathology and Laboratory Medicine, University of Pennsylvania（病理学与实验室医学系，宾夕法尼亚大学） ； Department of Electrical and System Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） ； Department of Biomedical Engineering, Georgia Institute of Technology and Emory University（生物医学工程系，佐治亚理工学院和埃默里大学） ； NVIDIA Corporation（NVIDIA公司） ； Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania（生物统计学、流行病学与信息学系，宾夕法尼亚大学） 纠错

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

AI总结 VISTA-PATH是一种交互式基础模型，通过整合专家反馈和多类分割，提升病理图像分割的临床应用价值。

PAINT: Pathology-Aware Integrated Next-Scale Transformation for Virtual Immunohistochemistry

PAINT: 用于虚拟免疫组化病理学的路径感知集成下尺度转换

Rongze Ma, Mengkang Lu, Zhenyu Xiang, Yongsheng Pan, Yicheng Wu, Qingjie Zeng, Yong Xia

机构 * School of Computer Science and Engineering, Northwestern Polytechnical University（计算机科学与工程学院，西北工业大学） ； Monash University（墨尔本大学） 纠错

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

AI总结 PAINT通过结构优先的自回归框架，提升虚拟免疫组化合成的结构保真度和临床应用效果。

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

Joint Progression Modeling (JPM): A Probabilistic Framework for Mixed-Pathology Progression

联合进展建模（JPM）：一种用于混合病理进展的概率框架

Hongtao Hao, Joseph L. Austerweil

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 JPM通过概率框架处理混合病理进展，提升排序准确性21%，并与文献结果一致。

Comments 49 pages; Machine Learning for Health (ML4H) Symposium 2025

Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI

空间多任务学习用于从单相DCE-MRI预测乳腺癌分子亚型

Sen Zeng, Hong Zhou, Zheng Zhu, Yang Liu

机构 * Tsinghua University（清华大学） ； Southwest Forestry University（西南林业大学） ； GigaAI ； KCL 纠错

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

AI总结 本研究提出空间多任务学习框架，利用单相DCE-MRI实现乳腺癌分子亚型的非侵入性预测，通过多任务学习提升ER、PR、HER2及Ki-67的预测性能。

G2L:From Giga-Scale to Cancer-Specific Large-Scale Pathology Foundation Models via Knowledge Distillation

G2L：从千兆级到癌症特异性大规模病理基础模型的知识蒸馏

Yesung Cho, Sungmin Lee, Geongyu Lee, Minkyung Lee, Jongbae Park, Dongmyung Shin

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

AI总结 G2L框架通过知识蒸馏将千兆级模型能力转移到大规模模型，以更少的参数和数据实现癌症特异性任务的高性能表现。

Comments Accepted in AAAI 2026 workshop in Health Intelligence Special Theme on Foundation Models and AI Agents

HookMIL: Revisiting Context Modeling in Multiple Instance Learning for Computational Pathology

HookMIL: 重新审视多实例学习中的上下文建模以用于计算病理学

Xitong Ling, Minxi Ouyang, Xiaoxiao Li, Jiawen Li, Ying Chen, Yuxuan Sun, Xinrui Chen, Tian Guan, Xiaoping Liu, Yonghong He

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Informatics, Xiamen University（厦门大学信息学院） ； School of Engineering, Westlake University（西湖大学工程学院） ； Zhongnan Hospital, Wuhan University（武汉大学中南医院） 纠错

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

AI总结 HookMIL通过引入可学习的钩子标记和多样性损失，提升多实例学习在计算病理学中的效率与可解释性。

Information-driven Fusion of Pathology Foundation Models for Enhanced Disease Characterization

基于信息驱动的病理基础模型融合以增强疾病表征

Brennan Flannery, Thomas DeSilvio, Jane Nguyen, Satish E. Viswanath

机构 * Case Western Reserve University（凯斯西储大学） ； Department of Biomedical Engineering（生物医学工程系） ； Cleveland Clinic（克利夫兰诊所） ； Department of Pathology（病理学系） ； Emory University（埃默里大学） ； Department of Pediatrics（儿科学系） ； Louis Stokes VA Cleveland Medical Center（路易斯·斯托克斯退伍军人医疗中心） 纠错

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

AI总结 本研究提出基于信息驱动的病理基础模型融合方法，通过智能融合提升癌症分级和分期的预测性能与可解释性。

Comments 29 Pages, 10 figures

Learning Relative Gene Expression Trends from Pathology Images in Spatial Transcriptomics

从病理图像中学习相对基因表达趋势

Kazuya Nishimura, Haruka Hirose, Ryoma Bise, Kaito Shiku, Yasuhiro Kojima

机构 * Laboratory of Computational Life Science, National Cancer Center Japan（国立癌症中心日本计算生命科学实验室） ； Department of Advanced Information Technology, Kyushu University（九州大学先进信息技术系） 纠错

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

AI总结 本文提出STRank方法，通过学习相对基因表达模式以提高病理图像中基因表达估计的鲁棒性。

Comments Neurips 2025