Cross-slide augmentation for whole slide image classification based on class activation map
8.5
来源：
Nature
关键字：
computational pathology
发布时间：
2025-11-27 03:44
摘要：
CAMCSA框架通过引入类激活图和跨切片增强模块，解决了全切片图像分类中的实例贡献估计不准确和数据稀缺问题。该方法在Camelyon16和TCGA肺癌数据集上展示了显著的分类和肿瘤定位性能，具有重要的临床应用潜力。
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+核心领域符合度
business_impact
1.0分+商业影响力
scientific_rigor
1.5分+具体实验数据支持
timeliness_innovation
1.5分+重大创新
investment_perspective
2.5分+早期研发阶段
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.5分+团队背景
technical_barrier_competition
0.5分+技术壁垒
关键证据
CAMCSA在Camelyon16和TCGA肺癌数据集上达到了新的SOTA性能。
WSICAM模块通过类激活图提高了实例贡献的准确性。
CSA模块有效解决了数据稀缺和类不平衡问题。
真实性检查
否
AI评分总结
CAMCSA框架通过引入类激活图和跨切片增强模块，解决了全切片图像分类中的实例贡献估计不准确和数据稀缺问题。该方法在Camelyon16和TCGA肺癌数据集上展示了显著的分类和肿瘤定位性能，具有重要的临床应用潜力。