.png){kind=icon}
返回
A deep learning framework for efficient pathology image analysis
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-74918-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能通过从高分辨率全玻片图像中实现生物标志物预测，已转变了数字病理学。然而，当前方法计算效率低下，每张玻片处理数千个冗余瓦片，并需要复杂的聚合模型。我们介绍了EAGLE（高效引导局部检查方法），一种深度学习框架，通过选择性分析信息区域来模拟病理学家的行为。EAGLE结合了任务无关的瓦片选择与详细特征提取，并在来自九种癌症类型的43项任务（涵盖形态学、生物标志物预测、治疗反应和预后）中，与领先的玻片级和瓦片级基础模型进行了基准测试。EAGLE比瓦片聚合方法最高提升23%，并实现了最高的整体分类性能。它处理一张玻片仅需2.27秒，相比现有模型将计算时间减少了超过99%。这种效率支持快速且可审计的工作流程，通过审查每个预测所使用的确切瓦片并减少对高性能计算的依赖。通过可靠识别信息区域并最小化伪影，EAGLE提供稳健且可审计的输出，由系统的阴性对照和注意力集中分析支持。其统一嵌入实现了快速玻片搜索、整合到多组学管道和新兴的临床基础模型中。虽然AI方法已显著推进计算病理学，但现有方法通常资源密集型。在此，作者开发了EAGLE，一种通过选择性分析信息区域来模拟病理学家的深度学习框架，并在九种癌症类型中将其与领先的玻片级和瓦片级基础模型进行了基准测试。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.6W
被引数:
99.5W
机构
查看更多机构
引用论文
Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer深度学习可以直接从胃肠道肿瘤的组织学中预测微卫星不稳定性.png)
NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏Estimation of Absolute Risk of Colorectal Cancer Based on Healthy Lifestyle, Genetic Risk, and Colonoscopy Status in a Population-Based StudyGASTROENTEROLOGYOAAI
GASTROENTEROLOGYIF25.1
OAAI分享收藏From whole-slide image to biomarker prediction: end-to-end weakly supervised deep learning in computational pathology从全切片图像到生物标志物预测: 计算病理学中的端到端弱监督深度学习NATURE PROTOCOLS
NATURE PROTOCOLSIF16
PREAI
分享收藏Prompt injection attacks on vision language models in oncology肿瘤学中视觉语言模型的提示注入攻击NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning基于深度学习的非小细胞肺癌组织病理图像分类及突变预测NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏 查看更多内容