arXiv:2511.14639v1 Announce Type: new 
Abstract: Computational cytology faces two major challenges: i) instance-level labels are unreliable and prohibitively costly to obtain, ii) witness rates are extremely low. We propose SLAM-AGS, a Slide-Label-Aware Multitask pretraining framework that jointly optimizes (i) a weakly supervised similarity objective on slide-negative patches and (ii) a self-supervised contrastive objective on slide-positive patches, yielding stronger performance on downstream tasks. To stabilize learning, we apply Adaptive Gradient Surgery to tackle conflicting task gradients and prevent model collapse. We integrate the pretrained encoder into an attention-based Multiple Instance Learning aggregator for bag-level prediction and attention-guided retrieval of the most abnormal instances in a bag. On a publicly available bone-marrow cytology dataset, with simulated witness rates from 10% down to 0.5%, SLAM-AGS improves bag-level F1-Score and Top 400 positive cell retrieval over other pretraining methods, with the largest gains at low witness rates, showing that resolving gradient interference enables stable pretraining and better performance on downstream tasks. To facilitate reproducibility, we share our complete implementation and evaluation framework as open source: https://github.com/Ace95/SLAM-AGS.

يقدم المقال SLAM-AGS، وهو إطار جديد للتدريب المسبق في علم الخلايا الحاسوبي، يتناول تحديين رئيسيين: عدم موثوقية وارتفاع تكلفة الحصول على تسميات على مستوى الحالة، بالإضافة إلى انخفاض معدلات الشهود. يقوم SLAM-AGS بتحسين هدف تشابه ضعيف الإشراف على رقع سلبية من الشرائح، بالإضافة إلى هدف تبايني ذاتي الإشراف على رقع إيجابية من الشرائح. تعزز هذه الطريقة الأداء في المهام اللاحقة. بالإضافة إلى ذلك، يتم تطبيق جراحة التدرج التكيفية لاستقرار التعلم ومنع انهيار النموذج، مما يؤدي إلى تحسين التنبؤات على مستوى الحقيبة في مجموعة بيانات علم الخلايا من نخاع العظام.

El artículo presenta SLAM-AGS, un nuevo marco de preentrenamiento para la citología computacional que aborda dos desafíos importantes: la falta de fiabilidad y el alto costo de obtener etiquetas a nivel de instancia, así como las tasas de testigos extremadamente bajas. SLAM-AGS optimiza un objetivo de similitud débilmente supervisado en parches negativos de diapositivas y un objetivo contrastivo auto-supervisado en parches positivos de diapositivas. Este enfoque mejora el rendimiento en tareas posteriores. Además, se aplica la cirugía adaptativa de gradientes para estabilizar el aprendizaje y …

L'article présente SLAM-AGS, un nouveau cadre de préentraînement pour la cytologie computationnelle qui aborde deux défis majeurs : l'instabilité et le coût élevé de l'obtention d'étiquettes au niveau des instances, ainsi que les taux de témoins extrêmement bas. SLAM-AGS optimise un objectif de similarité faiblement supervisé sur des patches négatifs de diapositives, ainsi qu'un objectif contrastif auto-supervisé sur des patches positifs. Cette approche améliore les performances sur les tâches en aval. De plus, la chirurgie adaptative des gradients est utilisée pour stabiliser l'apprentissage …

The article presents SLAM-AGS, a new pretraining framework for computational cytology that addresses two significant challenges: the unreliability and high cost of obtaining instance-level labels, and the extremely low witness rates. SLAM-AGS optimizes a weakly supervised similarity objective on slide-negative patches alongside a self-supervised contrastive objective on slide-positive patches. This approach enhances performance on downstream tasks. Additionally, Adaptive Gradient Surgery is employed to stabilize learning and prevent model collapse, resulting in improved bag-level predictions o…

SLAM-AGS: Slide-Label Aware Multi-Task Pretraining Using Adaptive Gradient Surgery in Computational Cytology

One More Thing in AI – Your Shortcut to AI Mastery

SLAM-AGS: Slide-Label Aware Multi-Task Pretraining Using Adaptive Gradient Surgery in Computational Cytology

Was this article worth reading? Share it

One More Thing in AI

LucidQuery AI

Supametas.AI

CoGrader

Attentive AI

Cogent

Ready to build your own newsroom?