从零开始完成一个病理AI课题需要执行的25个步骤｜个人观点·24-10-28
实际操作1–2周，总计4–12周这一部分是最关键的，因为这一步直接决定了后续的工作有无意义。我的推文中，往往开头就会介绍这篇文章搭建了一个什么样的模型，解决了一个什么样的临床问题。我们可以预测复发风险，也可以预测转移风险，更常见的，我们还可以预测预后，提取新的生物标志物等等。
Nature Medicine病理AI汇总｜CONCH：病理图像分析的零样本学习模型·顶刊精析·24-10-30
最近在整理24年发表在Nature Medicine上的病理AI文章，简单列了一个表。接下来我将按照先后顺序，系统的把这13篇文献分析完。其中底色做了填充的，代表商业公司在本论文中占据了一作或通讯。本期推文介绍的模型是CONCH（CONtrastive learning from Captions
顶尖高校/医院纷纷布局的AI+三级淋巴结，能否成为后续的研究热点？｜文献速递·24-10-15
这篇文章是关于一种用于检测胰腺肿瘤病理图像中的三级淋巴结构（TLSs）的弱监督分割网络。TLSs的存在是胰腺肿瘤预后的重要指标，因此，在胰腺肿瘤的诊断和治疗中，对TLSs的检测起着至关重要的作用。然而，基于深度学习的全监督检测算法通常需要大量的手动标注，这既耗时又费力。为了解决这个问题，文章提出了一
Nat Med｜机器学习+高通量筛选，发现用于治疗胶质母细胞瘤的神经活性药物｜顶刊精析·24-09-23
今日顶刊：Nat Med这篇文章是2024-09-20发表在上的一篇研究型论文，标题为“High-throughput identification of repurposable neuroactive drugs with potent anti-glioblastoma activity”。先
保姆级教程，带你复现病理AI的经典模型CLAM（一）｜项目复现·24-08-19
CLAM（Clustering-constrained Attention Multiple Instance Learning）是一种基于深度学习的弱监督方法，用于高效和弱监督的全切片级分析。自动分割：CLAM首先对全切片图像进行自动分割，识别出组织区域。这通常涉及到将图像转换到HSV颜色空间，并
CLAM：病理AI发展里程碑，建议每一个研究病理AI的人都了解的文章｜24-08-16
这篇文章提出了一种名为CLAM（Clustering-constrained-attention multiple-instance learning）的高通量深度学习框架，用于解决全幅切片图像（WSIs）计算病理学中的关键挑战。一作&通讯作者单位Ming Y. Lu研究背景问题：数字病理学和人工智
Nat Cancer综述｜人工智能（AI）在数字组织病理学图像分析中的应用现状与未来趋势｜顶刊精析·24-08-18
今天分享的这篇文章发表于《Nat Cancer》，目前IF=23.5。这篇题为的综述文章探讨了人工智能（AI）在数字组织病理学图像分析中的应用，特别是在癌症研究和临床肿瘤学中的潜在影响。第一作者和通讯作者，以及他们对应的单位列表这篇综述文章详细介绍了AI在组织病理学中的应用现状及其未来潜力，强调了A
病理AI领域的常用开源工具汇总
ImageJ是一个免费的开源图像处理软件，由美国国家卫生研究院（NIH）开发。它基于Java语言，因此具有良好的跨平台兼容性，可以在Windows、Mac OS、Linux等操作系统上运行。ImageJ不仅能够处理常规的图像编辑和分析任务，还支持复杂的图像分析功能，如细胞计数、荧光成像分析等。此外，
