680-SMMILe：数字病理学空间定量多实例学习框架

这项研究介绍了一种名为 SMMILe 的计算病理学新方法，旨在解决数字化切片分析中空间量化准确性不足的问题。研究人员指出，传统的多实例学习（MIL）模型虽然能有效预测整张切片的标签，但往往会丢失关键的空间解剖细节。SMMILe 通过引入超像素（Superpatch）机制和马尔可夫随机场（MRF）优化，实现了在不牺牲分类精度的前提下，对组织微环境进行精准定位。该系统在涵盖六种癌症类型的八个数据集上进行了验证，其表现显著优于现有的九种主流算法。无论使用通用的图像编码器还是专业的病理大模型，SMMILe 均展现出卓越的鲁棒性和临床引导潜力。这种技术能够生成更加精细的空间分布图，为病理学家的诊断提供更具解释性的决策支持。

References:

• Gao Z, Mao A, Dong Y, et al. SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning[J]. Nature Cancer, 2025: 1-17.