Multiple instance learning using pathology foundation models effectively predicts kidney disease diagnosis and clinical classification
8.3
来源：
Nature
关键字：
computational pathology
发布时间：
2025-10-10 03:38
摘要：
本研究探讨了病理基础模型结合多实例学习在肾脏病理分析中的应用，特别是在急性间质性肾炎和糖尿病肾病的诊断中。研究显示，该模型在内部和外部验证中均表现出色，AUROC值超过0.980，表明其在临床应用中的潜力。该技术的创新性和有效性使其成为早期投资的有吸引力的选择，尤其是在高发疾病的诊断领域。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+医疗健康领域符合度
business_impact
0.8分+获得投资潜力
scientific_rigor
1.5分+有具体实验数据
timeliness_innovation
1.5分+技术创新
investment_perspective
2.5分+早期研发阶段
market_value_relevance
1.0分+高发疾病相关性
team_institution_background
0.3分+知名机构背景
technical_barrier_competition
0.7分+技术壁垒较高
关键证据
病理基础模型在多个实例学习中表现优异，AUROC超过0.980。
研究展示了模型在急性间质性肾炎和糖尿病肾病分类中的有效性。
模型在外部验证中表现出色，显示出跨机构的适用性。
真实性检查
否
AI评分总结
本研究探讨了病理基础模型结合多实例学习在肾脏病理分析中的应用，特别是在急性间质性肾炎和糖尿病肾病的诊断中。研究显示，该模型在内部和外部验证中均表现出色，AUROC值超过0.980，表明其在临床应用中的潜力。该技术的创新性和有效性使其成为早期投资的有吸引力的选择，尤其是在高发疾病的诊断领域。