PathCowork：从病理实践学习构建AI协作助手
原文：PathCowork: Learning from real-world pathology practice to build AI copilots
医学AI从医生记录的答案中学习，但很少从他们如何解读证据以得出答案中学习。在此，我们介绍PathCowork，一个将病理学家的叙述性检查转化为视觉定位监督和指导诊断AI智能体流程的框架。同步的注视、叙述和导航将视觉发现与解读过程联系起来。在来自16位病理学家的48次会话中，该平台捕获了1,028分钟的切片审阅。利用这些数据，我们训练了用于服务器部署的PathCowork-1T和用于本地部署的PathCowork-27B，并改善了视觉定位。在五项器官特异性评估中，将此定位与记录的诊断流程相结合的智能体，其主要任务得分平均分别比Claude Code和Codex高出17.9和24.1个百分点，同时处理时间更短、推理成本更低。与最先进的多实例学习AI相比，PathCowork智能体提出的区域在有限切片标签下取得了更高的前列腺分级得分。PathCowork还可帮助构建病理AI基准，其中从记录中衍生的问题识别出在识别观察上下文和拒绝不适用前提方面的困难。总之，PathCowork提出了一种新范式，通过从诊断会话中进行透明推理来扩大数据收集并训练病理AI，开辟了直接从常规临床实践中学习的系统之路。作者：Sheng Wang, Jialu Yao, Maria V. Rossi, Shunsuke Koga, Esther Baranov 类别：cs.CV