商汤医疗在苏州病理学术盛会上展示了智慧病理综合解决方案，强调技术与临床实践结合。CEO张少霆介绍了多模态技术提升病理诊断效率，推动AI在医疗中的应用。与会专家探讨病理AI技术前景，商汤医疗致力于数字病理与人工智能融合，助力医疗转型。

商汤医疗在中华医学会病理学年会上展示了智慧病理综合解决方案，强调AI在病理诊断中的应用与临床融合，提升诊断效率，推动精准医疗发展。

本研究针对当前病理特定视觉语言模型在诊断准确性和推理 plausibility 上的不足，提出一种新的方法。通过利用病理教材和现实病理专家构建高质量推理数据集，并引入 Patho-R1 多模态强化学习推理器，实验结果显示其在多项病理相关任务中表现出色，有助于提升病理学的研究及应用。

病理图像在癌症诊断中至关重要，全视野切片图像（WSI）提供高分辨率数据。多示例学习（MIL）是分析WSI的主要方法，但处理成本较高。哈尔滨工业大学的研究团队提出了分层蒸馏多示例学习框架（HDMIL），显著降低推理时间28.6%，同时提升分类性能，为数字病理学的发展提供了新思路。

本研究解决了现有放射组学和单模态深度学习方法在预测非小细胞肺癌患者的病理反应方面的局限性。我们提出了一种中间融合策略，将影像和临床数据整合，以增强模型的临床相关性并提高预测准确性和可解释性，为优化数据整合策略在临床应用中的潜力提供了新见解。

浙江大学研究团队提出M2OST模型，通过多对一回归方法，利用不同层次的数字病理图像（WSIs）预测基因表达，显著提升了计算效率和预测准确性。该模型在多个公开数据集上验证有效性，为空间转录组学的发展提供新思路。

本研究针对神经母细胞瘤的病理诊断中主观性强、准确性不一致的问题，提出了一种基于对比学习的多尺度特征融合模型CMSwinKAN。该模型通过改进Swin Transformer架构，提高了可解释性和准确性，并有效捕获了组织的全局和局部特征。实验表明，CMSwinKAN表现优于现有的病理特定模型，具有显著的临床应用潜力。

本研究解决了病理基础模型（PFMs）在体系化分析框架方面的不足，提出了一种分层分类法来组织PFMs，以便在任何领域中进行分析。通过系统性分类PFM评估任务，我们确定了PFM开发和利用中的关键挑战，为未来研究方向提供了指导。

本研究提出了一种结合视觉变换器与GPT-2的多模态模型，旨在提高病理图像分析中的细微病变特征理解。通过微调专门数据集，该方法显著提升了疾病分类、分割和检测的准确性，展示了数字技术在医学图像分析中的应用潜力。

本研究提出了一种新型混合专家变换器架构，结合群体相对策略优化（GRPO）训练方法，显著提升了声音病理检测的准确性和F1分数，展现了其在自动化检测和医疗服务中的应用潜力。

本研究提出了一种深度多模态学习框架，结合组织病理图像和基因表达数据，以提高乳腺癌亚型分类的准确性，为临床决策提供更可靠的信息。

本研究比较通用模型与领域特定病理模型在细胞分析中的表现，分析补丁嵌入和编码器，明确两者的优缺点，为模型选择提供指导。

本研究解决了胎儿和新生儿MRI数据标注数据集稀缺及隐私问题的挑战。我们提出了一种新的扩散模型框架Fetal

本研究探讨了病理基础模型在不同医疗中心间的鲁棒性不足，并提出了评估生物特征主导地位的新指标。尽管某模型的鲁棒性指标超过1，但整体仍受到医疗中心的显著影响，限制了其临床应用。

本研究探讨了计算病理基础模型在数据可用性、高变异性和缺乏标准化评估基准等方面的挑战，指出了关键技术的不足，并展望了未来的发展方向。

本研究解决了传统全切片图像（WSI）分析中工作流程冗长的问题，提出了一种高效的PySpatial工具包，可以直接在感兴趣的计算区域上进行操作，简化了特征提取过程。实验结果表明，PySpatial在处理小而稀疏的病灶数据时比传统工具快近10倍，大型对象处理时也实现了2倍加速，显示出在数字病理学领域广泛应用的潜力。

本研究提出了一种新型视觉基础模型，旨在提升数字病理领域的模型性能。该模型在120万张组织病理图像上进行训练，并在21个基准数据集上取得优异表现，展现出显著的应用潜力。

本研究针对组织语义分割中的弱监督学习方法存在的过激活和欠激活问题，提出了一种名为HisynSeg的新型框架。该框架通过图像混合合成和一致性正则化策略，将弱监督分割转变为全监督分割，显著提升了分割精度。在三个数据集上的实验结果表明，该方法达到了最先进的性能。