丹娜—法伯癌症研究所和威尔康奈尔医学院的科学家开发并测试了针对数字病理学的新型人工智能工具。数字病理学是一个相对较新的领域，它使用由组织样本创建的高分辨率数字图像来诊断疾病并为治疗决策提供参考。 他们的论文于 2024 年 7 月 9 日发表在《柳叶刀数字健康》上，表明 ChatGPT 是一种为理解和生成文本而开发的人工智能语言模型，可以使用一种称为检索增强生成的人工智能技术进行定制，以对有关数

论文摘要翻译与评论 论文标题： A Multimodal Generative AI Copilot for Human Pathology 摘要翻译： 计算病理学领域已经在任务特定的预测模型和任务无关的自监督视觉编码器的发展方面取得了显著进展。然而，尽管生成性人工智能快速增长，针对病理学定制的通用多模态AI助手和副驾驶的研究却很有限。在此，我们提出了PathChat，这是一个面向人类病理

提出了一种基于深度学习的组织病理学图像分类新方法。我们的方法建立在标准卷积神经网络 (CNN) 的基础上，并结合了两个独立的注意力模块，以实现更有效的特征学习。 具体而言，注意力模块沿不同维度推断注意力图，这有助于将 CNN 聚焦于关键图像区域，并突出显示判别性特征通道，同时抑制与分类任务无关的信息。注意力模块是轻量级的，并且以较小的额外计算开销增强了特征表示。 1. 介绍 使用组织活检的显

基于预训练的VGG16和VGG19架构训练了四种不同的模型（即完全训练的 VGG16、微调的 VGG16、完全训练的 VGG19 和微调的 VGG19 模型）。最初，我们对所有单独的模型进行了5倍交叉验证操作。然后，我们采用集成策略，取预测概率的平均值，发现微调的 VGG16 和微调的 VGG19 的集成表现出有竞争力的分类性能，尤其是在癌症类别上。 交叉验证的基本思想是把在某种意义下将原始数

Title  题目 Deep learning-based image analysis predicts PD-L1 status from H&E-stained histopathol ogy images in breast cancer 基于深度学习的图像分析预测乳腺癌中H&E染色组织病理学图像的PD-L1状态 01 文献速递介绍 编程死亡配体-1（PD-

Title  题目 Clinical-grade computational pathology using weakly supervised deep learning on whole slide images 临床级计算病理学使用基于整张切片图像的弱监督深度学习 01 文献速递介绍 The development of decision support

人工智能是病理学诊断和研究的重要新兴方法，其不仅可用于病理形态数据分析，还可整合免疫组化、分子检测数据和临床信息，得出综合的病理诊断报告，为患者提供预后信息和精准的药物治疗指导。计算病理学是病理学与AI、计算机视觉等信息技术交叉形成的细分研究领域，其概念形成于2014年，并迅速成为医学图像分析领域的研究热点。计算病理模型可批量化分析活检样本、突显细微的异常模式，减小观察者组内与组间差异性，并在基础