.png){kind=icon}
返回
nnMIL: a generalizable multiple instance learning framework for computational pathology
.png){kind=icon}
PRE
AI
DOI：10.1038/s41551-026-01767-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算病理学在改善诊断和指导治疗决策方面具有巨大潜力。近期病理基础模型能够从大规模全视野图像（WSIs）中提取丰富的瓦片级表示，但当前将这些特征聚合为幻灯片级预测的方法仍受限于阻碍泛化性和可靠性的设计限制。本文提出nnMIL，一种简单且广泛适用的多实例学习框架，连接瓦片级基础模型与鲁棒幻灯片级临床预测。nnMIL在瓦片和特征层面引入随机采样，支持大批次优化、任务感知采样策略以及跨数据集和模型架构的高效可扩展训练。轻量级聚合器通过滑动窗口推理生成集成幻灯片级预测，并支持原理性的不确定性估计。在涵盖35项临床任务和4种病理基础模型的40,000张WSIs上，nnMIL在疾病诊断、组织学亚型分类、分子生物标志物检测和泛癌预后预测方面均优于现有MIL方法。此外，它还展示了强大的跨模型泛化能力、可靠的不确定性量化以及在多个外部队列中的鲁棒生存分层能力。总之，nnMIL为将病理基础模型转化为临床有意义的预测提供了实用且可泛化的解决方案，推动了可靠AI系统在真实场景中的发展和部署。nnMIL是一种广泛适用的多实例学习框架，连接瓦片级基础模型与鲁棒幻灯片级临床预测，在可靠数字病理学任务中优于现有方法。
期刊
IF:
26.6
论文数:
1.7K
被引数:
2.0W
机构
引用论文
Clinically applicable deep learning for diagnosis and referral in retinal disease深度学习在视网膜疾病诊断和转诊中的临床应用.png)
NATURE MEDICINE
NATURE MEDICINEIF50
PREAI
分享收藏分享收藏Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge前列腺癌诊断和Gleason分级的人工智能: 熊猫挑战NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
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A generalizable pathology foundation model using a unified knowledge distillation pretraining framework一种基于统一知识蒸馏预训练框架的通用病理基础模型
PREAI
分享收藏Pan-cancer integrative histology-genomic analysis via multimodal deep learning通过多模态深度学习进行泛癌症综合组织学-基因组分析Cancer CellOAAI
Cancer CellIF0
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏Artificial intelligence in digital pathology - new tools for diagnosis and precision oncology数字病理学中的人工智能-诊断和精确肿瘤学的新工具OAAI
OAAI分享收藏
查看更多内容