XiaoMi-AI文件搜索系统
World File Search SystemWSIS
MamMIL：使用状态空间模型对整个幻灯片图像进行多实例学习
摘要 — 近年来，病理诊断通过将深度学习模型与使用全切片图像 (WSI) 的多实例学习 (MIL) 框架相结合而取得了优异的表现。然而，WSI 的千兆像素特性对高效的 MIL 提出了巨大挑战。现有研究要么不考虑实例之间的全局依赖关系，要么使用线性注意等近似值来建模对对实例交互，这不可避免地带来了性能瓶颈。为了应对这一挑战，我们提出了一个名为 MamMIL 的框架用于 WSI 分析，通过将选择性结构化状态空间模型（即 Mamba）与 MIL 相结合，能够在保持线性复杂度的同时对全局实例依赖关系进行建模。具体而言，考虑到 WSI 中组织区域的不规则性，我们将每个 WSI 表示为一个无向图。为了解决 Mamba 只能处理一维序列的问题，我们进一步提出了一种拓扑感知扫描机制来序列化 WSI 图，同时保留实例之间的拓扑关系。最后，为了进一步感知实例之间的拓扑结构并结合短程特征交互，我们提出了一种基于图神经网络的实例聚合块。实验表明，MamMIL 可以实现比最先进的框架更先进的性能。代码可以在 https://github.com/Vison307/MamMIL 访问。索引术语 — 多实例学习、状态空间模型、整个幻灯片图像
master.shesis.jonas.kuettner.pdf- livermetebolism
本文中介绍的图像分析工作流程的图形摘要：工作流程始于一组整个幻灯片图像（WSIS），包括WSI染色的苏木精和曙红（H＆E），免疫组织化学染色以及谷氨酰胺合成酶（GS）（GS）和细胞色素p450 isoforms and 3A 4a和3A的WSIS染色。在预处理过程中，将这些图像对准，并分离苏木精和曙红/DAB染色成分，以产生代表每个染色成分的灰度图像。然后通过小叶检测管道处理来自GS和CYP图像的DAB成分，以识别小叶和血管边界。同时，通过脂肪变性检测管道处理了注册的H＆E载玻片，以鉴定大遗posisosis液滴。然后分析来自两个管道的所得数据集，以评估（1）小叶边界和大遗传液滴的几何特性，以及（2）蛋白质表达和大抗殖物的区域分布。
对科技促会秘书处二十周年报告的贡献......
a. 信息社会世界峰会行动方针（作为牵头方、共同协调方或支持参与者） 人权高专办根据其职责，为信息社会世界峰会行动方针做出贡献，开展一系列活动，以直接落实信息社会世界峰会的成果。这些活动包括人权理事会和大会授权的活动，以及人权高专办作为人权机制秘书处（包括条约机构和特别程序）开展的活动和工作。活动包括人权高专办与各国、私营部门、民间社会的接触、实地存在和总部的活动、政府间进程和条约进程，以及与联合国系统其他部门的接触，以确保以人权方式处理各项行动方针。活动形式包括监测和报告，包括起草人权委员会和秘书长报告；与各国进行技术合作和能力建设；针对具体国家的监管工作；就人权理事会和大会决议向各国和民间社会提供咨询和接触，以及支持人权机制的成果。关于信息社会世界峰会数字发展行动方针相关各项工作的一般性和非详尽概述，可在人权高专办 2024 年提交给人权理事会的报告（A/HRC/56/45）中找到。其中包括以下相关内容：行动方针 2：人权高专办关于连通性和关机的工作（包括提交给 A/HRC/50/55 的报告）；围绕关机的监测和公共宣传；将连通性、可访问性和关机问题纳入提交给人权理事会和大会的专题和国别报告中；人权高专办关于辅助技术的报告（基于人权理事会第 A/HRC/58/1 号决议）；行动方针 3 和 9：人权高专办起草关于打击虚假信息的秘书长报告（A/77/287）；人权高专办审查并向各国提出有关数字空间或数字技术监管举措的建议；为全球通信部制定信息诚信全球原则做出贡献；人权高专办积极参与联合国关于虚假信息、仇恨言论和信息完整性的各工作组，以加强与人权的一致性；行动方针 5：人权高专办为理解数字时代隐私权面临的挑战做出了广泛贡献，并全面
分子诊断人工智能和数字病理学在结直肠免疫肿瘤学中的作用
免疫疗法涉及利用免疫系统阻止肿瘤进展的治疗干预。这些包括检查点抑制剂、T 细胞操作、细胞因子、溶瘤病毒和肿瘤疫苗。在本文中，我们概述了结直肠癌 (CRC) 免疫疗法的最新发展以及人工智能 (AI) 在此背景下的作用。其中，微卫星不稳定性 (MSI) 可能是全球最受欢迎的 IO 生物标志物。我们首先讨论肿瘤的 MSI 状态、其对患者管理的影响及其与免疫反应的关系。近年来，一些有抱负的研究已经使用 AI 从常规诊断幻灯片的数字全幻灯片图像 (WSI) 中预测患者的 MSI 状态。我们对关于从苏木精和伊红染色的诊断幻灯片的数字化 WSI 中预测 MSI 和肿瘤突变负担的 AI 文献进行了调查。我们详细讨论了 AI 方法，并阐述了它们的贡献、局限性和推动未来研究的关键要点。我们进一步将这项调查扩展到其他 IO 相关生物标志物，如滤液中的免疫细胞和替代数据模式，如免疫组织化学和基因表达。最后，我们强调了 CRC 免疫疗法未来可能的发展方向，以及 AI 有望加速这一探索，造福患者。
解剖病理学的可解释人工智能（xAI）
摘要：由于 FDA 最近批准全幻灯片图像 (WSI) 系统为 II 类医疗器械，病理学家正在采用全幻灯片图像 (WSI) 进行诊断。为了应对病理学以外的新市场力量和最新技术进步，计算病理学这一新领域应运而生，将人工智能 (AI) 和机器学习算法应用于 WSI。计算病理学在提高病理学家的准确性和效率方面具有巨大潜力，但由于大多数 AI 算法的不透明性和黑箱性质，人们对 AI 的信任度存在重要担忧。此外，对于病理学家应如何将计算病理学系统纳入他们的工作流程，人们还没有达成共识。为了解决这些问题，构建具有可解释 AI (xAI) 机制的计算病理学系统是一种强大而透明的黑箱 AI 模型替代方案。xAI 可以揭示其决策的根本原因；这旨在提高 AI 在病理诊断等关键任务中的安全性和可靠性。本文概述了 xAI 在解剖病理学工作流程中的应用，这些应用可提高实践的效率和准确性。此外，我们还介绍了 HistoMapr-Breast，这是一款用于乳房核心活检的初始 xAI 软件应用程序。HistoMapr-Breast 会自动预览乳房核心 WSI 并识别感兴趣的区域，以交互且可解释的方式快速呈现关键诊断区域。我们预计 xAI 最终将作为计算机辅助初级诊断的交互式计算指南为病理学家服务。
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
SPIE的会议录
糖尿病性肾病（DN）是美国终末期肾脏疾病（ESRD）的主要原因。dn是根据肾小球形态分级的，在肾脏活检中具有空间异质表现，使病理学家对疾病进展的预测变得复杂。病理学的人工智能和深度学习方法已显示出对定量病理评估和临床轨迹估计的有望。但是，他们通常无法捕获大规模的空间解剖结构，并且在整个幻灯片图像（WSIS）中发现的关系。在这项研究中，我们提出了一个基于变压器的多阶段ESRD预测框架，建立在非线性维度降低，每对可强化的肾小球之间的相对欧几西亚像素距离嵌入以及相应的空间自我自我性别机制之间用于可靠的上下文。，我们开发了一个深层变压器网络，用于编码WSI并使用来自首尔国立大学医院DN患者的56个肾脏活检WSI的数据集进行编码并预测未来的ESRD。Using a leave-one-out cross-validation scheme, our modified transformer framework outperformed RNNs, XGBoost, and logistic regression baseline models, and resulted in an area under the receiver operating characteristic curve (AUC) of 0.97 (95% CI: 0.90-1.00) for predicting two-year ESRD, compared with an AUC of 0.86 (95% CI: 0.66-0.99)没有我们的相对距离嵌入，而AUC为0.76（95％CI：0.59-0.92），而无需降解自动编码器模块。关键词：糖尿病性肾病，变压器，自我注意，终末期肾脏疾病，数字病理，分割，虽然样本量较小的可变性和概括性既有挑战性，但我们基于距离的嵌入方法和过度拟合的缓解技术产生了结果，这表明使用有限的病理数据集为未来的空间意识到WSI研究的机会。
用于前列腺癌诊断的辅助人工智能
延长诊断时间的两个因素是玻璃载玻片的额外染色和要求第二意见。一项研究中，病理学家要求对 Paige Prostate 进行免疫组织化学染色和第二意见的次数明显减少。32 在另一项研究中，Paige Prostate 的病理学家在独立审查中最初推迟的 288 个 WSI 中正确诊断了 287 个（99.7%）。研究人员将此定义为效率提高，或避免了额外的检查或咨询。29 然而，辅助审查导致在独立审查中最初正确的 114 张图像中的 112 张（98.2%）被推迟，这代表了一些效率损失。29 有 Paige Prostate 经验的临床医生告诫采用者 AI 对诊断模式的影响，可能会导致不必要的护理或随访。27 他们建议监测 AI（包括 Paige Prostate）对报告模式的影响。27