医学 AI

ASMIL: Attention-Stabilized Multiple Instance Learning for Whole Slide Imaging

ASMIL：基于注意力的多实例学习用于整张滑动图像

Linfeng Ye, Shayan Mohajer Hamidi, Zhixiang Chi, Guang Li, Mert Pilanci, Takahiro Ogawa, Miki Haseyama, Konstantinos N. Plataniotis

机构 * University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； Hokkaido University（北海道大学） 纠错

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

AI总结 ASMIL通过稳定注意力动态，解决多实例学习中的过拟合、注意力集中和不稳定问题，提升WSI诊断性能

Comments 39 pages, 26 figures

DeNuC: Decoupling Nuclei Detection and Classification in Histopathology

DeNuC：解耦组织病理学中的核检测与分类

Zijiang Yang, Chen Kuang, Dongmei Fu

机构 * School of Automation and Electrical Engineering, University of Science and Technology Beijing（自动化与电气工程学院，北京科技大学） ； University of Science and Technology Beijing（北京科技大学） ； Beijing Engineering Research Center of Industrial Spectrum Imaging（工业光谱成像工程研究中心） 纠错

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

AI总结 DeNuC通过解耦核检测与分类，提升病理图像中核检测与分类的性能，显著优于现有方法。

Comments 10 pages

Logit-Level Uncertainty Quantification in Vision-Language Models for Histopathology Image Analysis

视觉-语言模型在病理图像分析中的logit级不确定性量化

Betul Yurdem, Ferhat Ozgur Catak, Murat Kuzlu, Mehmet Kemal Gullu

机构 * Department of Electrical and Electronics Engineering, Izmir Bakircay University（电气与电子工程系，伊兹密尔巴克伊大学） ； Department of Electrical Engineering and Computer Science, University of Stavanger（电气工程与计算机科学系，斯塔万格大学） ； Batten College of Engineering and Technology, Old Dominion University（工程与技术学院，老奥布良大学） 纠错

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

AI总结 本研究提出了一种基于VLMs的logit级不确定性量化框架，用于评估病理图像分析中模型的可靠性与安全性。

Comments 10 pages, 6 figures, 4 tables

Cycle-Consistent Multi-Graph Matching for Self-Supervised Annotation of C.Elegans

循环一致性多图匹配用于C.Elegans的自监督标注

Christoph Karg, Sebastian Stricker, Lisa Hutschenreiter, Bogdan Savchynskyy, Dagmar Kainmueller

机构 * Max-Delbrueck-Center for Molecular Medicine in the Helmholtz Association（马克斯·德尔布鲁克医学研究中心（马克斯·德尔布鲁克医学研究中心隶属于马克斯·德尔布鲁克协会）） ； Helmholtz Imaging（海德堡影像中心） ； University of Potsdam（波茨坦大学） ； Heidelberg University（海德堡大学） 纠错

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

AI总结 该研究提出了一种基于循环一致性的无监督多图匹配方法，用于C.Elegans的自监督细胞标注，实现了无需地面真实数据的高精度细胞图谱构建。

From Shallow to Deep: Pinning Semantic Intent via Causal GRPO

从浅层到深层：通过因果GRPO固定语义意图

Shuyi Zhou, Zeen Song, Wenwen Qiang, Jiyan Sun, Yao Zhou, Yinlong Liu, Wei Ma

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

AI总结 通过因果GRPO框架，解决大型语言模型对对抗性前缀攻击的脆弱性问题，实现意图固定以提升安全性和鲁棒性。

MMNavAgent: Multi-Magnification WSI Navigation Agent for Clinically Consistent Whole-Slide Analysis

MMNavAgent: 多倍率WSI导航代理用于临床一致的全滑片分析

Zhengyang Xu, Han Li, Jingsong Liu, Linrui Xie, Xun Ma, Xin You, Shihui Zu, Ayako Ito, Xinyu Hao, Hongming Xu, Shaohua Kevin Zhou, Nassir Navab, Peter J. Schüffler

机构 * Institute of Pathology, Technical University of Munich, Germany（慕尼黑技术大学病理研究所） ； Munich Data Science Institute (MDSI), Munich, Germany（慕尼黑数据科学研究所） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心） ； Computer Aided Medical Procedures (CAMP), TU Munich, Munich, Germany（计算机辅助医疗程序（CAMP），慕尼黑技术大学） ； Dalian University of Technology（大连理工大学） ； Cancer Hospital of Dalian University of Technology, Shenyang（大连理工大学肿瘤医院） ； Department of Human Pathology, Juntendo University Graduate School of Medicine（立命大学医学研究生院人类病理部门） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医学机器人研究所） ； Northwest University of China（中国西北大学） 纠错

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

AI总结 MMNavAgent通过多倍率交互建模和自适应倍率选择，提升全滑片图像诊断性能，实验显示AUC和BACC均有所提升。

Exploiting Low-Dimensional Manifold of Features for Few-Shot Whole Slide Image Classification

利用特征的低维流形进行少样本全滑动图像分类

Conghao Xiong, Zhengrui Guo, Zhe Xu, Yifei Zhang, Raymond Kai-Yu Tong, Si Yong Yeo, Hao Chen, Joseph J. Y. Sung, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； Centre of AI in Medicine, Singapore（新加坡人工智能医学中心） ； The Hong Kong University of Science and Technology（香港科学大学） ； Nanyang Technological University（南洋理工大学） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学Lee Kong Chian医学学院） ； MedVisAI Lab, Singapore（新加坡MedVisAI实验室） 纠错

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

AI总结 本文提出Manifold Residual块，通过几何意识的残差学习方法，解决少样本全滑动图像分类中的过拟合问题，实现更高效的模型性能。

Comments Accepted to ICLR 2026

PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification

PathMoE：用于儿童脑肿瘤分类的可解释多模态交互专家

Jian Yu, Joakim Nguyen, Jinrui Fang, Awais Naeem, Zeyuan Cao, Sanjay Krishnan, Nicholas Konz, Tianlong Chen, Chandra Krishnan, Hairong Wang, Edward Castillo, Ying Ding, Ankita Shukla

机构 * University of Texas（德克萨斯大学） ； Dell Children’s Medical Center（德尔儿童医学中心） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Nevada, Reno（内华达大学里诺分校） 纠错

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

AI总结 PathMoE通过整合多模态信息提升儿童脑肿瘤分类性能，揭示了不同模态间的交互作用。

Hierarchical Classification for Improved Histopathology Image Analysis

用于改进组织病理图像分析的层次分类

Keunho Byeon, Jinsol Song, Seong Min Hong, Yosep Chong, Jin Tae Kwak

机构 * School of Electrical Engineering, Korea University, Seoul, Korea（韩国大学电气工程学院） ； Department of Hospital Pathology, The Catholic University of Korea College of Medicine, Seoul, Korea（韩国天主大学医学院医院病理系） 纠错

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

AI总结 HiClass通过引入双向特征整合和定制化损失函数，改进了组织病理图像的层次分类，实现了对粗粒度和细粒度分类的提升。

Footprint-Guided Exemplar-Free Continual Histopathology Report Generation

足迹引导的无示例持续病理报告生成

Pratibha Kumari, Daniel Reisenbüchler, Afshin Bozorgpour, yousef Sadegheih, Priyankar Choudhary, Dorit Merhof

机构 * Faculty of Informatics and Data Science, University of Regensburg, Germany（信息学与数据科学学院，雷根萨大学） ； Indian Institute of Information Technology Bhopal, India（比哈尔信息学院） 纠错

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

AI总结 本文提出一种无示例的持续学习框架，通过构建紧凑的领域足迹实现WSI到报告的生成，支持生成性重放并适应变化的临床报告规范。

PGVMS: A Prompt-Guided Unified Framework for Virtual Multiplex IHC Staining with Pathological Semantic Learning

PGVMS: 一种基于提示的统一框架用于虚拟多色IHC染色与病理语义学习

Fuqiang Chen, Ranran Zhang, Wanming Hu, Deboch Eyob Abera, Yue Peng, Boyun Zheng, Yiwen Sun, Jing Cai, Wenjian Qin

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences and University of Chinese Academy of Sciences, Beijing, China（深圳先进技术研究院，中国科学院和中国科学院大学，北京，中国） ； Department of Pathology, Sun Yat-sen University Cancer Center, State Key Laboratory of Oncology in South China, Guangzhou, China（中山大学肿瘤中心病理科，南方肿瘤临床研究中心，广州，中国） ； Hong Kong Polytechnic University, Hong Kong SAR, China（香港理工大学，香港特别行政区，中国） ； Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong SAR 999077, China（电子工程系，香港中文大学，香港特别行政区，中国） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China（深圳先进技术研究院，中国科学院，深圳，中国） 纠错

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

AI总结 PGVMS提出了一种基于提示的统一框架，利用单染训练数据解决虚拟多色IHC染色中的语义指导、染色分布不一致和空间错位问题。

Comments Accepted by TMI

Journal ref IEEE Transactions on Medical Imaging, 2026

Exploiting Label-Independent Regularization from Spatial Dependencies for Whole Slide Image Analysis

利用空间依赖性进行标签无关正则化的全切片图像分析

Weiyi Wu, Xinwen Xu, Chongyang Gao, Xingjian Diao, Siting Li, Jiang Gui

机构 * Dartmouth College（达特茅斯学院） ； Massachusetts General Hospital（哈佛麻省总医院） ； Northwestern University（西北大学） 纠错

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

AI总结 本文提出了一种利用空间依赖性进行标签无关正则化的全切片图像分析框架，通过联合优化空间重建和分类目标，提升了全切片图像分析的性能。

Journal ref WACV2026

XMorph: Explainable Brain Tumor Analysis Via LLM-Assisted Hybrid Deep Intelligence

XMorph: 通过LLM辅助混合深度智能进行可解释性脑肿瘤分析

Sepehr Salem Ghahfarokhi, M. Moein Esfahani, Raj Sunderraman, Vince Calhoun, Mohammed Alser

机构 * Department of Computer Science, Georgia State University（计算机科学系，佐治亚州立大学） ； TReNDS Center, Georgia State University（TReNDS中心，佐治亚州立大学） 纠错

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

AI总结 XMorph通过结合LLM和混合深度智能，实现了对脑肿瘤的高效可解释分类，准确率达96.0%。

Comments Accepted in ICCABS 2026: The 14th International Conference on Computational Advances in Bio and Medical Sciences

MUSE: Harnessing Precise and Diverse Semantics for Few-Shot Whole Slide Image Classification

MUSE: 通过精确和多样的语义提升少样本全滑片图像分类

Jiahao Xu, Sheng Huang, Xin Zhang, Zhixiong Nan, Jiajun Dong, Nankun Mu

机构 * School of Big Data & Software Engineering, Chongqing University（大数据与软件工程学院，重庆大学） ； School of Computer Science & Technology, Chongqing University（计算机科学与技术学院，重庆大学） 纠错

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

AI总结 MUSE通过样本层面的细粒度语义增强和随机多视图生成，提升少样本全滑片图像分类的性能和鲁棒性。

Comments Accepted by CVPR 2026

Artefact-Aware Fungal Detection in Dermatophytosis: A Real-Time Transformer-Based Approach for KOH Microscopy

在皮肤病学中考虑 artefacts 的真菌检测：一种基于实时变换器的 KOH 显微镜方法

Rana Gursoy, Abdurrahim Yilmaz, Baris Kizilyaprak, Esmahan Caglar, Burak Temelkuran, Huseyin Uvet, Ayse Esra Koku Aksu, Gulsum Gencoglan

机构 * Yildiz Technical University（伊兹密尔技术大学） ； Imperial College London（帝国理工学院伦敦分校） ； Istanbul Research and Training Hospital（伊斯坦布尔研究与培训医院） ； Medicana Atakoy Hospital（梅迪卡纳阿塔科伊医院） 纠错

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

AI总结 本研究提出基于实时变换器的 KOH 显微镜方法，用于准确检测真菌，通过高精度定位提升皮肤病学诊断的可靠性。

Causal Schrödinger Bridges: Constrained Optimal Transport on Structural Manifolds

因果施瓦茨利德桥：在结构流形上受约束的最优传输

Rui Wu, Li YongJun

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

AI总结 CSB通过结构智能解决高维因果发现问题，实现高效稳定的概率传输。

Comments 12 pages, 8 figures

A Patient-Specific Digital Twin for Adaptive Radiotherapy of Non-Small Cell Lung Cancer

针对非小细胞肺癌的自适应放疗患者专用数字双胞胎

Anvi Sud, Jialu Huang, Gregory R. Hart, Keshav Saxena, John Kim, Lauren Tressel, Jun Deng

专题命中 病理影像 ：CT(abstract)；分类 cs.CV

AI总结 COMPASS通过整合PET、CT、剂量组学等数据，构建患者专用数字双胞胎，用于自适应放疗中的早期毒性预警。

A feature-stable and explainable machine learning framework for trustworthy decision-making under incomplete clinical data

一种具有特征稳定性和可解释性的机器学习框架，用于在不完整临床数据下实现可信的决策

Justyna Andrys-Olek, Paulina Tworek, Luca Gherardini, Mark W. Ruddock, Mary Jo Kurt, Peter Fitzgerald, Jose Sousa

机构 * Computational Intelligence, Sano Centre for Computational Personalised Medicine（计算智能，Sano计算个性化医学中心） ； Clinical Studies Group, Randox Laboratories Ltd., Co.（临床研究组，Randox实验室有限公司） 纠错

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

AI总结 CACTUS是一种针对不完整临床数据设计的可解释机器学习框架，通过提升特征稳定性与可解释性，增强模型在缺失数据下的可信决策能力。

Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models

单次曝光定量相位成像使用常规显微镜与扩散模型

Gabriel della Maggiora, Luis Alberto Croquevielle, Harry Horsley, Thomas Heinis, Artur Yakimovich

专题命中 病理影像 ：biomedical(abstract)；分类 eess.IV

AI总结 利用色差和扩散模型实现单次曝光的高精度相位成像，提升生物医学应用的效率。

Journal ref (2025). Proceedings of the AAAI Conference on Artificial Intelligence, 39(3), 2672-2680

Context-aware Skin Cancer Epithelial Cell Classification with Scalable Graph Transformers

具有上下文感知的皮肤癌上皮细胞分类方法：可扩展图变换器

Lucas Sancéré, Noémie Moreau, Katarzyna Bozek

机构 * Faculty of Mathematics and Natural Sciences, University of Cologne（数学与自然科学学院，科隆大学） ； Excellence Cluster on Cellular Stress Responses in Aging-Associated Diseases (CECAD), University of Cologne（细胞应激反应与衰老相关疾病卓越集群（CECAD），科隆大学） 纠错

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

AI总结 本文提出使用可扩展图变换器对皮肤癌上皮细胞进行分类，通过结合形态学和纹理特征以及周围细胞上下文，提高分类准确性。

Comments 17 pages, 2 figures

MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features

MB-DSMIL-CL-PL: 可扩展的弱监督卵巢癌亚型分类与定位使用对比学习和原型学习与冻结的图像块特征

Marcus Jenkins, Jasenka Mazibrada, Bogdan Leahu, Michal Mackiewicz

机构 * School of Computing Sciences, University of East Anglia（东安格利亚大学计算机科学学院） ； Norfolk and Norwich University Hospital（诺福克和诺里奇大学医院） ； University of East Anglia（东安格利亚大学） 纠错

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

AI总结 本文提出了一种基于对比学习和原型学习的弱监督方法，利用预计算的冻结特征进行卵巢癌亚型分类和定位，显著提升了分类和定位的性能指标。

THUNDER: Tile-level Histopathology image UNDERstanding benchmark

THUNDER：切片级病理图像理解基准

Pierre Marza, Leo Fillioux, Sofiène Boutaj, Kunal Mahatha, Christian Desrosiers, Pablo Piantanida, Jose Dolz, Stergios Christodoulidis, Maria Vakalopoulou

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

AI总结 THUNDER是一个用于数字病理学基础模型的切片级基准测试，通过多种数据集和下游任务评估模型的性能、特征空间及鲁棒性。

Comments Accepted at NeurIPS 2025 Datasets and Benchmarks Track (Spotlight)

MacNet: An End-to-End Manifold-Constrained Adaptive Clustering Network for Interpretable Whole Slide Image Classification

MacNet: 一种端到端的流形约束自适应聚类网络用于可解释的整张滑动图像分类

Mingrui Ma, Chentao Li, Pan Huang, Jing Qin

机构 * School of Computer Science and Technology, Xinjiang University, Urumqi 830046, China, and the Affiliated Tumor Hospital of Xinjiang Medical University, Xinjiang 830011, China（新疆大学计算机科学与技术学院，中国新疆乌鲁木齐830046，以及新疆医科大学附属肿瘤医院，中国新疆830011） ； Fu Foundation School of Engineering and Applied Science, Columbia University, New York, NY 10027, USA（哥伦比亚大学福基金会工程与应用科学学院，美国纽约纽约州10027） ； School of Nursing, The Hong Kong Polytechnic University, Hong Kong 999077, SAR China（香港理工大学护理学院，中国香港999077，香港特别行政区） 纠错

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

AI总结 MacNet通过整合流形约束和自适应聚类，提升整张滑动图像分类的可解释性和性能。

Comments Our code is available at https://github.com/Prince-Lee-PathAI/MacNet

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。

Brain Tumor Classifiers Under Attack: Robustness of ResNet Variants Against Transferable FGSM and PGD Attacks

脑肿瘤分类器受攻击：对抗ResNet变体的可迁移FGSM和PGD攻击的鲁棒性

Ryan Deem, Garrett Goodman, Waqas Majeed, Md Abdullah Al Hafiz Khan, Michail S. Alexiou

机构 * Department of Computer Science（计算机科学系） ； Computer Science and Software Engineering（计算机科学与软件工程） 纠错

专题命中 病理影像 ：MRI(abstract)；分类 cs.CV

AI总结 本文研究了ResNet变体在FGSM和PGD攻击下的鲁棒性，发现BrainNeXt在对抗攻击中表现最稳健，但生成的可迁移对抗样本较弱，而BrainNet和DilationNet在特定攻击条件下更易受攻击。

Journal ref IEEE 25th International Conference on Bioinformatics and Bioengineering (BIBE) Athens Greece 2025 pp. 420-428

Weakly Supervised Contrastive Learning for Histopathology Patch Embeddings

弱监督对比学习用于病理切片嵌入

Bodong Zhang, Xiwen Li, Hamid Manoochehri, Xiaoya Tang, Deepika Sirohi, Beatrice S. Knudsen, Tolga Tasdizen

机构 * Department of Electrical and Computer Engineering, University of Utah（电气与计算机工程系，犹他大学） ； Scientific Computing and Imaging Institute, University of Utah（科学计算与成像研究所，犹他大学） ； Department of Pathology, University of Utah（病理学系，犹他大学） 纠错

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

AI总结 本文提出弱监督对比学习方法，通过结合袋级标签信息提升病理切片嵌入的下游MIL性能。

What Makes Value Learning Efficient in Residual Reinforcement Learning?

残差强化学习中价值学习为何高效？

Guozheng Ma, Lu Li, Haoyu Wang, Zixuan Liu, Pierre-Luc Bacon, Dacheng Tao

机构 * Nanyang Technical University（南洋理工大学） ； Mila - Quebec AI Institute（魁北克AI研究所） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 DAWN通过数据锚定预热和归一化解决残差强化学习中价值学习的冷启动和尺度不匹配问题，提升效率。

The Catastrophic Failure of The k-Means Algorithm in High Dimensions, and How Hartigan's Algorithm Avoids It

k均值算法在高维中的灾难性失效及其如何被Hartigan算法避免

Roy R. Lederman, David Silva-Sánchez, Ziling Chen, Gilles Mordant, Amnon Balanov, Tamir Bendory

机构 * Department of Statistics and Data Science, Yale University, New Haven, CT（统计与数据科学系，耶鲁大学，新 Haven，CT） ； Department of Applied and Computational Mathematics, Yale University, New Haven, CT（应用与计算数学系，耶鲁大学，新 Haven，CT） ； School of Electrical and Computer Engineering, Tel Aviv University, Tel Aviv, Israel（电气与计算机工程系，特拉维夫大学，Tel Aviv，以色列） 纠错

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

AI总结 k均值算法在高维环境下易失效，而Hartigan算法能避免这一问题，提供理论解释

Deep Modeling and Interpretation for Bladder Cancer Classification

深度建模与解释用于膀胱癌分类

Ahmad Chaddad, Yihang Wu, Xianrui Chen

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

AI总结 本文提出基于ViT和CNN的深度模型用于膀胱癌分类，通过校准分析和GradCAM++评估模型可解释性，发现ViT系列在分类和解释上表现更优。

Comments Accepted in IEEE SMC 2025

HistoMet: A Pan-Cancer Deep Learning Framework for Prognostic Prediction of Metastatic Progression and Site Tropism from Primary Tumor Histopathology

HistoMet：一种跨癌症深度学习框架，用于从原发肿瘤组织病理学预测转移进展和转移部位

Yixin Chen, Ziyu Su, Lingbin Meng, Elshad Hasanov, Wei Chen, Anil Parwani, M. Khalid Khan Niazi

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

AI总结 HistoMet通过双模块预测流程，利用预训练的病理学视觉-语言模型，实现了从原发肿瘤组织病理学中预测转移进展和转移部位的稳健预测。