精选理由
病理AI团队和计算病理学研究者注意了：MIDOG 2025揭示了当前有丝分裂检测模型在真实世界中的脆弱性，尤其是罕见肿瘤类型和困难区域。如果你的模型只在热点区域表现好，点开看看盲点在哪，以及集成方法如何带来稳定提升。
MIDOG 2025挑战赛旨在评估有丝分裂检测算法在真实世界中的泛化能力，超越了以往仅关注扫描仪差异的基准。挑战赛构建了包含12种人类、犬类和猫类肿瘤类型、365个病例的测试数据集，并引入了随机组织区域和困难区域检测，以及非典型有丝分裂图分类任务。结果显示，在传统热点区域表现良好的模型在困难区域性能显著下降，假阳性率增加三倍，且在不同肿瘤类型间表现差异巨大，揭示了当前模型的“盲点”。集成方法平均提升了F1分数1.5个百分点和平衡准确率1.3个百分点，而测试时增强无明显改善。该挑战表明，真实世界的有丝分裂检测仍是重大挑战，多情境评估框架为临床可靠性提供了更现实的代理指标。
AI 翻译 · 中文
MIDOG 2025挑战赛旨在评估有丝分裂检测算法在真实世界中的泛化能力，超越了以往仅关注扫描仪差异的基准。挑战赛构建了包含12种人类、犬类和猫类肿瘤类型、365个病例的测试数据集，并引入了随机组织区域和困难区域检测，以及非典型有丝分裂图分类任务。结果显示，在传统热点区域表现良好的模型在困难区域性能显著下降，假阳性率增加三倍，且在不同肿瘤类型间表现差异巨大，揭示了当前模型的“盲点”。集成方法平均提升了F1分数1.5个百分点和平衡准确率1.3个百分点，而测试时增强无明显改善。该挑战表明，真实世界的有丝分裂检测仍是重大挑战，多情境评估框架为临床可靠性提供了更现实的代理指标。
Automated mitosis detection is a well-established task in computational pathology. While previous benchmarks focused on scanner-induced domain shift, clinical "real-world" application requires models to be robust across …