CLAM

收录理由

CLAM 是数字病理领域一项弱监督深度学习方法的参考实现，该方法用于全切片图像的分类，相关成果发表在《自然·生物医学工程》上。对于在临床研究、生物样本库或诊断工具开发中处理数字化组织病理切片的团队来说，它提供了一条完整且可复现的流程：从组织分割与图像分块，到特征提取，再到基于注意力机制的多实例学习训练，最后还能生成热力图，直观展示切片中哪些区域影响了模型的预测结果。由于它只需要切片级别的标签，而不要求逐块标注，因此特别适合那些详细标注不切实际的实际数据集。代码库还整合了 UNI、CONCH 等更新的预训练组织病理学编码器，即使新工具不断出现，它依然是一个可靠的起点。对于构建计算病理学工作流的研究人员和工程师而言，这套文档完善、维护活跃的代码库覆盖了全流程，而不仅仅是某个单一模型。