Aug, 2024

基准测试基础模型作为弱监督计算病理学的特征提取器

HTML
PDF
TL;DR本研究解决了当前病理基础模型在外部队列和临床相关任务中独立评估不足的问题。我们基准测试了十种组织病理基础模型在多个癌症患者的样本上的表现，发现CONCH模型在42%的任务中表现最佳，而融合多个互补基础模型在66%的任务中优于单一模型。研究结果强调数据多样性在模型性能提升中的重要性。
发现论文，激发创造
  • 计算病理学的视觉-语言基础模型探索

    CONCH是一个基于多种来源的组织病理学图像、生物医学文本和117万图像标题对的视觉语言基础模型，可在涉及组织病理学图像和文本的各种下游任务中实现最先进的性能，为机器学习基于工作流程提供极少或无需进一步监督微调的可能性。

    Jul, 2023

  • 医疗系统规模下的计算病理学 -- 来自三十亿图像的自监督基础模型

    最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。

    Oct, 2023

  • 组织病理学的领域特定优化和多样化自监督模型评估

    建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

    Oct, 2023

  • RudolfV: 病理学家为病理学家打造的基础模型

    通过半自动化数据整理和引入病理学领域知识，我们扩展了数字病理学全幻灯片图像的基础模型的最新技术。我们的模型在公共和内部基准测试中表现良好，尽管使用的幻灯片数量比竞争模型少一个数量级。我们预计在更多数据和更大的模型规模下，我们的方法将进一步提高性能，并能够处理日益复杂的诊断和生物医学研究中的实际问题。

    Jan, 2024

  • 基础模型的低资源化微调在组织病理学中超越了现有技术水平

    通过细化基础模型，仅经历两小时或三天的单个GPU训练，我们可以在计算病理学中的特征提取上相媲美或超越现有的方法，这表示即使资源有限，也可以针对特定下游任务和数据集训练一个定制的特征提取器。

    Jan, 2024

  • 基于组织病理学模型的精确卵巢癌亚型分类

    大型预训练transformers在基于任务的人工智能模型中发挥着重要作用，其中组织病理学基础模型在卵巢癌亚型分类中表现出良好的潜力，并通过多个评估指标显示出性能优势。

    May, 2024

  • 公共自我监督病理基础模型的临床基准测试

    利用自我监督学习(SSC)训练病理基础模型的应用在过去几年有了显著增长，公开提供了多个在大量临床数据上训练的模型，将极大地增强计算病理学的科研能力、弥合研究与临床应用的鸿沟。本研究提供了一个包含具有临床相关终点的病理学数据集合，其中包括与癌症诊断以及来自两个医疗中心标准医院运营期间生成的各种生物标记物相关的临床切片，利用这些数据集对公开的病理基础模型的性能进行系统评估，并提供培训新的基础模型和选择适当的预训练模型的最佳实践见解。

    Jul, 2024

  • 评估计算病理基础模型在前列腺癌分级中的表现及其在分布偏移下的影响

    本研究解决了计算病理学中基础模型面对真实病理图像数据的变异性和分布偏移的鲁棒性问题。通过评估两种基础模型（UNI和CONCH）在前列腺癌分级模型中的应用，本文揭示了尽管这两种模型相对基线表现良好，但在某些情况下，绝对表现仍然不令人满意。这一发现突显了大规模和多样化数据集训练的基础模型在实际应用中的局限性。

    Oct, 2024

  • 病理基础模型的基准测试：适应策略与场景

    本研究解决了在不同来源和采集条件的数据集下，病理基础模型适应性不强的问题。通过基准测试四种病理特定基础模型，提出了有效的参数调整和少量样本学习方法，显著提升了模型在真实临床环境中的应用潜力和分析准确性。研究结果为病理图像分析的可靠性提供了指导。

    Oct, 2024

  • 数字病理学中幻灯片级癌症亚型的基础模型

    本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。

    Oct, 2024