标签
SlideBank 是一个用于病理学中全切片图像推理的免训练框架，通过使用持久化分层证据库来提高一致性并降低推理成本。
本综述通过引入定义、分类法和任务驱动的建议，形式化了计算病理学中的可解释人工智能（XAI）方法，以应对临床采纳的挑战。
GigaPath-Flash和GigaTIME-Flash是高效的病理基础模型，它们在保持性能的同时降低计算需求，使计算病理学能够进行更大规模的研究。
提出AdaSurvMamba，一种用于多模态生存分析的自适应框架，通过双尺度重要性感知重建模块和语义聚合扫描来改进全切片图像与基因组图谱的整合，在五个TCGA队列上实现一致性的性能提升。
本文系统评估了用于多模态癌症分析的基础模型表征，在真实世界队列上对单模态与多模态融合策略进行基准测试，并通过共形预测评估可信度。
PathoSage 提出了一个三阶段框架，用于病理学多模态推理，该框架将知识检索、证据收集和证据裁决分开，以减少幻觉并处理冲突证据，并包含一个无需训练的 Beta-Bernoulli 经验系统，用于建模工具可靠性。
本文提出TopoMamSurv，一种用于全切片图像生存分析的图Mamba框架，采用拓扑感知排序解决Mamba对输入顺序的敏感性问题，并融合双向Mamba和图卷积网络（GCN）实现空间上下文建模。