WILSON: объединение увеличений и стёкол пациента для патоморфологического анализа и формирования заключений

11 ноября 20265 просмотров

Препринт представляет WILSON — vision-language модель, которая кодирует изображения целых стёкол и серии препаратов одного пациента при разных увеличениях, а не только отдельный «лучший» слайд. Без дообучения под задачу она обходит специализированные и более крупные слайды-модели по ряду метрик при существенно меньшей вычислительной нагрузке, а её диагностические описания получили более высокие оценки патологов.

WILSON: объединение увеличений и стёкол пациента для патоморфологического анализа и формирования заключений

Почему одного репрезентативного стекла недостаточно

Патологи исследуют срезы тканей при разных увеличениях и на нескольких предметных стёклах. Они объединяют морфологическую информацию для постановки диагноза. Большинство foundation-моделей для патологии кодируют тысячи фрагментов изображения с одного репрезентативного («best») стекла. Затем модели агрегируют эти признаки.

Ограничения такого подхода:

  • модель получает одно «best» стекло, а не весь случай;
  • признаки с разных увеличений не связываются в общее представление;
  • контекст на уровне пациента теряется при агрегации фрагментов.

Практический критерий: для case-level задачи нужна модель, которая принимает несколько стёкол и разные увеличения. Один репрезентативный слайд не покрывает такую постановку.

Как модель объединяет увеличения и стёкла

WILSON — vision-language foundation model. Модель представляет whole-slide images и случаи с несколькими стёклами через multi-magnification composites. Она поддерживает анализ на уровне пациента.

Что входит в представление:

  • whole-slide images;
  • случаи с несколькими предметными стёклами;
  • несколько увеличений в составе multi-magnification composites.

Вывод: модель сохраняет морфологическую информацию с разных масштабов и стёкол в одном представлении. Это отличает её от схемы с одним «best» стеклом.

Обучение и охват данных

Обучающая выборка WILSON — около 189 000 слайдов. Данные охватывают 42 органа и 838 диагностических сущностей.

Охват:

  • 189 000 слайдов;
  • 42 органа;
  • 838 диагностических сущностей.

Перечень органов и сущностей задаёт рамку для проверки задачи. Специалист сверяет орган и диагностическую сущность с этим перечнем.

Результаты без task-specific training

WILSON превзошла специализированную case-level model по macro-F1 без task-specific training. Значение составило 0.52 против 0.38.

СравнениеWILSONАльтернатива
Macro-F1 на case-level задаче0.520.38
Вычислительные операциив 400–1 350 раз меньшесущественно более крупные slide-level models

Модель также показала результаты на уровне существенно более крупных slide-level models. При этом ей требуется в 400–1 350 раз меньше вычислительных операций.

Вывод: качество case-level анализа не обязано расти вместе с вычислительной стоимостью. Компактное многомасштабное представление даёт практический ориентир.

Дообучение под конкретные задачи

End-to-end fine-tuning улучшил результаты WILSON в задачах:

  • субтипирование рака молочной железы;
  • градация stromal lymphocytes.

Практический критерий: для узкой задачи стоит рассматривать end-to-end fine-tuning. Базовая модель без дообучения решает case-level анализ, а дообучение улучшает отдельные задачи.

Поиск и генерация диагностического текста

В image-text retrieval WILSON превзошла PRISM по recall@1. Результат — 75.6% против 58.1%.

МетрикаWILSONPRISM
recall@175.6%58.1%

Диагностические описания WILSON получили более высокие оценки от пяти патологов с board-сертификацией. Конкурирующие модели получили более низкие оценки.

Практический критерий: для поиска и подготовки заключения важны две способности — retrieval и генерация текста. Их проверяют на задачах, близких к рабочему процессу.

Что это значит для выбора модели

Авторы заключают, что компактные многомасштабные представления могут поддерживать вычислительно эффективные и клинически ориентированные foundation-модели. Для практического выбора это означает несколько проверок.

Критерии:

  • модель принимает несколько стёкол;
  • модель связывает разные увеличения;
  • анализ идёт на уровне пациента;
  • качество измеряется на case-level задачах;
  • вычислительные операции учтены;
  • retrieval и генерация текста проверены отдельно.

Вывод: один «best» слайд и агрегация тысяч фрагментов не покрывают контекст пациента. Модель выбирают по тому, как она собирает этот контекст и сколько вычислений требует.

Часто задаваемые вопросы

Похожие материалы

Все материалы
Поэтапная диагностика GUI-агентов при анализе дашбордов: бенчмарк DashAct
Исследования

Поэтапная диагностика GUI-агентов при анализе дашбордов: бенчмарк DashAct

Представлен DashAct — бенчмарк из 348 проверенных человеком траекторий, который разбирает работу GUI-агентов с интерактивными панелями на три этапа и четыре визуальных условия. Результаты показывают устойчивые проблемы с предсказанием действий и привязкой к визуальным целям, а также зависимость реакции агентов от контекстной и пространственной поддержки.

11 ноября 2026
Канонические полиномиальные инварианты в диагностике сбоев RL-симуляторов: где они действительно полезны
Новости

Канонические полиномиальные инварианты в диагностике сбоев RL-симуляторов: где они действительно полезны

Работа проверяет, оправдано ли включение физических законов в обучаемые модели динамики: инварианты, извлечённые из траекторий и приведённые к каноническому виду через базисы Грёбнера, дают скромный выигрыш в прогнозах, но оказываются сильны в диагностике — они позволяют локализовать нарушенное ограничение и выявить конкретный ошибочный параметр.

10 ноября 2026
AURA-Eval: как проверить, что LLM-агент распознал риск и изменил следующий шаг
Новости

AURA-Eval: как проверить, что LLM-агент распознал риск и изменил следующий шаг

Фреймворк оценивает поведение LLM-агентов не по финальному вердикту, а по реакции на риск в ключевых точках: траектории вызовов инструментов прерываются, после чего модель должна продолжить рассуждение и действие, а панель LLM-судей разбирает обнаружение риска, характер и безопасность шага. На 1249 заданиях, собранных из 157 траекторий R-Judge, у 20 моделей небезопасные действия учащаются при отсутствии безопасного пути, а снятие надзора до выполнения переводит 52,3% изначально безопасных случаев в небезопасные.

10 ноября 2026
WILSON: возможности vision-language модели для патологии