PathoTool：面向可靠性病理诊断的工具调用智能体

Status: completed

Original Title: PathoTool: A Tool-Using Agent for Reliability-Aware Pathology Diagnosis

Authors: Anonymous ACL submission；公开版本尚未披露作者

Venue / Year: ACL Rolling Review 2026 May Submission 17151；尚无公开录用决定

Paper Type: Long；Clinical and Biomedical Applications；NLP engineering experiment

Links: OpenReview · PDF · ACL Rolling Review

Code / Data: 截至 2026-08-12，投稿字段和公开检索中均未找到 PathoTool 官方代码、权重、项目页、arXiv 或新增数据链接

Tags: [[computational pathology]] [[tool-using agent]] [[virtual staining]] [[virtual IHC]] [[vision-language model]] [[reliability gating]] [[medical AI]]

版本与证据边界：本分析以 2026-06-24 修改的 14 页匿名 OpenReview PDF、2026-08-12 通过 OpenReview V2 API 读取的完整公开 note tree，以及文中所引和同期一手工作为依据。API 只返回 1 条 Submission note，公开讨论为 0 条；因此本文写“没有公开评审或决定”，不写成“论文未经过评审”。所有表中数值来自论文，复算与批判性判断会明确标为“本文复算”或“本文判断”。

一句话总结

PathoTool 把从 HE 图像生成的虚拟 IHC 当作可调用工具证据，再用离散置信度门控 Re-Conf 和基于标志物语义的 IC-Filter 决定何时采纳或丢弃该证据；它在两个二分类任务上提高了 balanced accuracy，尤其显著拉高了 BRCA 少数类 ILC 的召回率，但尚未用概率校准、染色真实性、多中心外部验证或统计不确定性真正证明“可靠性”。

0. 先给结论

0.1 论文真正做了什么

这篇论文没有训练一个能自由规划任意工具链的通用 agent，也没有提出新的 VLM、虚拟染色网络或优化目标。它组合了四个已有或规则化组件：

1. 用 PathFound 系列的 Highlighter 从 WSI 中选取代表性区域，并用一个基于 Qwen2.5-VL-7B-Instruct 微调的病理 VLM 做 HE 二分类；
2. 用 PyramidPix2pix 把 HE patch 转换成 TTF-1、P40 或 E-cadherin 虚拟 IHC；
3. 用同一个 VLM 把虚拟 IHC 读成强阳性、局灶/弱阳性或阴性；
4. 用手写的 Re-Conf 与 IC-Filter 规则决定保留 HE 预测、改用 IHC 结论，还是因冲突回退到 HE。

所以它的核心不是“会不会调用工具”，而是一个更窄、也更有意义的问题：

当外部工具生成的证据本身可能错误时，怎样用可审计的领域规则限制它对最终判断的影响？

虚拟 IHC 不是独立获取的真实免疫组化结果，而是 HE 的生成变换；它可能放大有用线索，也可能产生染色伪影。PathoTool 的贡献是承认工具输出不应被默认信任，并将“是否采信”显式放进推理流程。

0.2 总体判断

• 最强贡献：把虚拟 IHC 的错误管理从隐含的模型融合，改成可解释的置信度门控与标志物冲突规则。
• 最强实验证据：BRCA patch-level 的 ILC recall 从 $14.1\%$ 提升到 $75.7\%$，bACC 从 $54.7\%$ 提升到 $76.1\%$。
• 最大概念风险：“reliability”主要由 bACC 与两个案例间接支持；没有测量置信校准、选择性风险、真实 IHC 一致性或错误工具调用率。
• 最大实验风险：patch 测试集只来自 50 张 NSCLC slide 和 18 张 BRCA slide；数千个 patch 并不是数千个独立样本。
• 最大复现风险：虚拟染色训练只用 Hospital X 的 18 张 NSCLC slide 与 14 张 BRCA slide，训练细节、权重、代码和数据均未公开。
• 投稿建议：以当前匿名 ARR 稿衡量，我会给 Major Revision / Weak Reject。想法清楚且结果有潜力，但“可靠性”“泛化”“显著提升”和各组件独立贡献的证据均不足。

0.3 科研品味评分

维度	评分	判断
Novelty	★★★☆☆ 3.2/5	“生成虚拟 IHC + 规则化证据门控”组合新颖，但组件和病理 agent 范式均有先例
Rigor	★★☆☆☆ 2.3/5	规则直观，但缺少完整形式化、统计不确定性、真实 IHC 验证与外部队列
Impact	★★★☆☆ 3.0/5	可成为医疗工具智能体的可靠性包装层，但离临床可靠系统仍远
Overall innovation	5.5/10	有意义的方法整合，不是范式转移；目前证据更像 promising prototype

1. 问题定位、动机与核心假设

HE 是常规病理诊断的主要形态学依据，但有些类别高度相似：NSCLC 中 LUAD 往往呈腺样或腺泡样结构，LUSC 往往呈片状或巢状；BRCA 中 IDC 常形成黏附性团块，ILC 常见单列或松散细胞。真实临床流程会在形态证据不足时加做 IHC。

任务	虚拟 IHC	论文采用的诊断语义
LUAD vs. LUSC	TTF-1	阳性支持 LUAD
LUAD vs. LUSC	P40	阳性支持 LUSC
IDC vs. ILC	E-cadherin	阴性支持 ILC；阳性也可能来自 IDC 或正常腺体

论文建立在五个关键假设上：

1. HE VLM 给出的 High/Mid/Low 具有足够的序关系，可作为证据门控信号；
2. 同一 VLM 可以可靠读取 HE 形态和生成 IHC 表达状态；
3. TTF-1/P40 的互补语义能把生成错误表现为可检测冲突；
4. 强而一致的虚拟 IHC 足以把 High-confidence HE 从 High 降到 Mid，进而允许改判；
5. 被规则判为冲突的跨 patch 表达更可能是生成错误，而不是真实肿瘤异质性。

前四条直观但未经校准；第五条尤其需要真实 IHC 或病理专家标注验证。肿瘤可以存在异质性，把“不同 patch 支持不同标志物”一律当作工具错误，可能删除真实信息。

Claims → Evidence 映射

Claim	类型	论文证据	强度	主要风险
虚拟 IHC 能补充 HE 形态	经验	Tables 1–4、Figures 5–6	中	没有真实 IHC 或 oracle；IHC only 仍是 HE 的生成变换
Re-Conf 能避免过度相信生成证据	方法/经验	Table 5、Figures 7–8	弱至中	无校准指标；消融不完全正交；仅两个案例
IC-Filter 能清除矛盾 IHC	方法/经验	规则描述、Table 5	弱至中	完整模型相对去掉 IC 仅提高 $0.1$–$0.7$ pp，且无真实冲突标签
PathoTool 提高 bACC	经验	Tables 1–4	中	只有单次点估计，无 seed、CI 或配对检验
结果“更 balanced”	经验	class recall	任务相关	BRCA recall gap 明显缩小，但 NSCLC 的 gap 反而扩大
结果“更 reliable”	概念/经验	bACC、规则、案例	弱	未测 ECE、Brier、selective risk、工具错误率或 reader agreement
对尺度不敏感、具有泛化性	经验	Table 5 的 $10\times/20\times$	弱至中	仅两个倍率、同一队列；完整模型仍有下降

2. 方法：从输入到最终决策

2.1 组件与数据流

阶段	输入	操作	输出	是否学习
Highlighter	WSI	选取代表性诊断区域	$N=5$ 个 HE patches	引用 Hua et al.；本文训练细节未给
HE diagnosis	HE patch 或 patches	病理 VLM 二分类并自评置信度	HE 类别与 $C_{\mathrm{init}}$	VLM 来自既有后端
IHC Generator	HE patch、marker	PyramidPix2pix 虚拟染色	虚拟 TTF-1/P40/E-cadherin	用私有配对 slide 训练
IHC analysis	虚拟 IHC patch	同一 VLM 做表达状态分类	$S_{\mathrm{IHC}}$	未报告额外训练
Re-Conf	$C_{\mathrm{init}}$、IHC 状态	规则化置信度重评估	$C_{\mathrm{re}}$	手写规则/提示
IC-Filter	多 marker、多 patch 状态	检测 patch 内和 patch 间冲突	唯一 IHC 结论或 Conflict	手写规则
Final decision	HE 类别、$C_{\mathrm{re}}$、过滤后 IHC	离散门控	最终二分类	手写规则

从计算结构看，它更接近一个领域知识驱动的有限状态决策器，而不是学会规划工具序列的 policy。实验配置似乎总会生成 IHC；$C_{\mathrm{init}}$ 和 Re-Conf 控制的是是否采信，而不是是否支付生成成本。论文没有报告逐样本调用率、工具跳过率、延迟或成本，因此“uncertainty-driven tool invocation”还没有被实证展示。

2.2 论文原始数学对象

初始 HE 置信度

$$C_{\mathrm{init}} \in \left\{ \mathrm{High}, \mathrm{Mid}, \mathrm{Low} \right\}.$$

这是序数标签，不是概率。论文没有给出置信损失、校准方法、logit 阈值或三档与错误率之间的映射。附录提示词让 VLM 直接输出字母选项，所以它本质上是模型自评。

原文术语不统一：正文用 Mid，附录用 Medium，Figure 1 用 Med。实现时若直接解析字符串，必须定义标准化映射。

虚拟 IHC 表达状态

$$S_{\mathrm{IHC}} \in \left\{ \mathrm{Strong\ Positive}, \mathrm{Regional\ or\ Weak\ Positive}, \mathrm{Negative} \right\}.$$

但 Figure 1、Figure 2、IC-Filter 与附录交替使用 Weak、Regional、Focal。附录实际三选项为 Positive、Focal positive、Negative。正文没有给标签等价映射、颜色阈值或面积比例。

Slide-level Re-Conf 的两条编号公式

设 $\mathcal{P}$ 是同一 slide 的 patch 集合，$p\in\mathcal{P}$，$mathrm{IHC1}$ 和 $mathrm{IHC2}$ 是一对语义互补 marker。全文唯一两条编号公式是：

$$\exists\,p\in\mathcal{P},\quad S^{p}_{\mathrm{IHC1}} = \mathrm{Strong\ Positive}. \tag{1}$$

$$\forall\,p\in\mathcal{P},\quad S^{p}_{\mathrm{IHC2}} = \mathrm{Negative}. \tag{2}$$

式 (1) 要求至少一个 patch 的目标 marker 强阳性；式 (2) 要求互补 marker 在所有 patch 上都阴性。两式同时成立，论文才认为 slide-level IHC 证据足够强且内部一致。

规则非常保守。只要任一 patch 被判成局灶阳性，式 (2) 就失败；而 IC-Filter 又把局灶/区域阳性当成阳性。Re-Conf 与 IC-Filter 对同一个中间状态使用了不同强度标准。

2.3 分析者的统一形式化

以下符号是为了暴露计算结构而引入的分析抽象，不是论文原式。

令 $x$ 是 HE patch，$X$ 是 WSI，$m$ 是 IHC marker。Slide-level 输入先得到：

$$\mathcal{P}(X) = \left\{ x^{1},x^{2},\ldots,x^{N} \right\}, \qquad N=5.$$

HE 分支抽象为：

$$\left( \widehat{y}_{\mathrm{HE}}, C_{\mathrm{init}} \right) = H\!\left(\mathcal{P}\right),$$

其中 $\widehat{y}_{\mathrm{HE}}$ 是 LUAD/LUSC 或 IDC/ILC，$H$ 是 HE VLM。论文没有定义多个 RoI 到单个 slide 类别的聚合函数。

对每个 marker 和 patch：

$$z^{p}_{m} = G_{m}\!\left(x^{p}\right), \qquad S^{p}_{m} = V_{\mathrm{IHC}}\!\left(z^{p}_{m}\right),$$

其中 $G_m$ 是 marker-specific PyramidPix2pix，$z_m^p$ 是合成图像，$V_{\mathrm{IHC}}$ 是同一病理 VLM 的 IHC 提示分支。

Re-Conf 可概括为：

$$C_{\mathrm{re}} = R\!\left( C_{\mathrm{init}}, \widehat{y}_{\mathrm{HE}}, \left\{S^{p}_{m}\right\} \right).$$

对双 marker patch-level 情况，论文明确描述的唯一状态改变是：当 $C_{\mathrm{init}}=\mathrm{High}$，且 IHC 强而一致、诊断含义与 HE 冲突时，High 降到 Mid；其他情况保持原值：

$$C_{\mathrm{re}} = \begin{cases} \mathrm{Mid}, & C_{\mathrm{init}}=\mathrm{High} {}\land{} \mathrm{StrongConsistentIHC} {}\land{} \mathrm{ContradictHE}, \\ C_{\mathrm{init}}, & \mathrm{otherwise}. \end{cases}$$

这揭示出 Re-Conf 不会把 Low 或 Mid 升高，也没有 High 直接降为 Low 的分支。它更像“允许虚拟 IHC 获得发言权”的开关，而不是一般意义的置信度再估计。

最终决策可抽象为：

$$\widehat{y}_{\mathrm{final}} = \begin{cases} \widehat{y}_{\mathrm{HE}}, & C_{\mathrm{re}}=\mathrm{High}, \\ \widehat{y}_{\mathrm{IHC}}, & C_{\mathrm{re}}\in\{\mathrm{Mid},\mathrm{Low}\} {}\land{} \mathrm{UniqueNonConflictIHC}, \\ \widehat{y}_{\mathrm{HE}}, & \mathrm{otherwise}. \end{cases}$$

$\mathrm{UniqueNonConflictIHC}$ 在论文中没有数学定义。若所有 patches 都被删掉、存在非强阳性混合状态、或 single-marker 输出无法唯一指向类别，具体分支并未完全说明。

2.4 Re-Conf 的具体规则

双 marker、patch-level： 一方 Strong Positive、另一方 Negative 才被视为强且一致；若其结论与 HE 相反且 $C_{\mathrm{init}}$ 为 High，则 $C_{\mathrm{re}}$ 降为 Mid，否则保持。

双 marker、slide-level： 对 $N=5$ patches，只有式 (1) 和式 (2) 同时成立才触发。论文没有明确规定 IHC1/IHC2 如何随候选类别交换。按语义推断，支持 LUSC 时 IHC1 应为 P40、IHC2 为 TTF-1；支持 LUAD 时相反。这应写进算法。

单 marker： 阳性有区分力时用式 (1)，阴性有区分力时用式 (2)。E-cadherin 属于后者：所有相关 patches 阴性才为 ILC 提供强证据。这个全称量词很容易被正常腺体或错误生成的局灶阳性破坏，论文没有做阈值敏感性。

2.5 IC-Filter 的两级冲突检查

IC-Filter 把 Strong Positive 与 Regional/Focal Positive 都视作 positive。

• Intra-patch conflict： 同一 patch 的 TTF-1 和 P40 同时阳性，则整张 patch 的虚拟 IHC 证据被排除。
• Inter-patch conflict： 先删除 intra-conflict；若剩余 patch 中一个 TTF-1 阳性、另一个 P40 阳性，则整张 slide 的 IHC 被判冲突，回退 HE。
• 单 marker： 不执行冲突检查，直接返回 IHC 预测。因此 BRCA 改进主要检验 E-cadherin 虚拟染色与 confidence gate，而非 IC-Filter。

病理学风险是：跨区域 marker 差异可能反映肿瘤异质性，不一定是生成伪影。论文没有真实 IHC ground truth、冲突标注、误删率或 pathologist review。

2.6 训练与推理

论文没有统一端到端训练：

1. Highlighter 与病理 VLM 来自 Hua et al. 的后端；VLM 基于 Qwen2.5-VL-7B-Instruct 微调，但本文未给权重、训练集或损失。
2. NSCLC PyramidPix2pix 用 Hospital X 的 18 张配对 TTF-1/P40 slides 训练，未报告 LUAD/LUSC 分布。
3. BRCA PyramidPix2pix 用 10 张 IDC 和 4 张 ILC 的 E-cadherin slides 训练。
4. Re-Conf 和 IC-Filter 为无学习参数的规则。

未报告优化器、学习率、epoch、注册质量、验证集、早停、随机种子、生成损失、真实 IHC marker concordance 或 checkpoint 选择规则。

推理顺序是：输入 patch/WSI → slide 时 Highlighter 选 $N=5$ 个 $512\times512$ patches → HE 类别和 $C_{\mathrm{init}}$ → marker-specific 虚拟 IHC → 同一 VLM 输出 IHC 状态 → Re-Conf → IC-Filter → final gate。

论文没有报告生成与 VLM 解码是否随机、如何解析无效输出，以及 slide-level HE 类别如何聚合。

3. 实验设置与设计风险

3.1 数据规模

粒度	任务	数据源	类别与数量	备注
Slide	NSCLC	TCGA	507 LUAD、512 LUSC；1,019 slides	未给 unique patients、split、重复 slide 处理
Slide	BRCA	TCGA	802 IDC、198 ILC；1,000 slides	明显类别不平衡
Patch	NSCLC	TCGA 50 slides	5,237 LUAD、5,235 LUSC；10,472 patches	25+25 slides；单名病理专家粗标
Patch	BRCA	TCGA 18 slides	3,589 IDC、1,450 ILC；5,039 patches	13 IDC+5 ILC slides；有效独立样本远小于 patch 数

Patch 数据构造有潜在选择偏差：作者先由病理专家粗标肿瘤区，再用“实验中相同的 VLM”过滤 tumor/non-tumor patch。若该 VLM 与随后分类共享表征或偏好，测试集就被评估模型自身筛选过。论文没有报告过滤阈值、过滤召回率、被删 patch 分布或独立病理验证。

3.2 Baselines 与公平性

论文比较 HE only、单/双 marker、BRCA E-cadherin、IHC only，以及 $C_{\mathrm{init}}$/Re-Conf/IC-Filter/倍率消融。相同 VLM 能隔离管线增量，但缺少：

• 外部 SOTA 病理模型；
• 直接 HE+生成 IHC 拼接或 late fusion，不加规则；
• 真实 IHC 或 oracle IHC；
• pathologist reader；
• 更强虚拟染色器，如 PSPStain；
• 固定调用成本下的选择性工具调用基线。

“IHC only”也不是独立模态，因为虚拟 IHC 是 HE 的生成变换。它只能说明变换后的表征是否对同一 VLM 有用，不能证明模型获得了真实蛋白表达信息。

3.3 指标

Tables 1–4 报 bACC 与每类 recall；Table 5 额外报 precision。按表中数值，二分类 bACC 是两类 recall 平均：

$$\mathrm{bACC} = \frac{1}{2} \left( \mathrm{Recall}_{0} + \mathrm{Recall}_{1} \right).$$

论文没有显式定义，也没有报告 accuracy、macro-F1、AUROC、AUPRC、confusion matrix、ECE、Brier score 或 reliability diagram。标题强调 reliability，这一指标集合不充分。

4. 主结果逐表复核

4.1 Slide-level NSCLC：Table 1

Setting	bACC	Recall LUAD	Recall LUSC
HE only	80.3	79.1	81.4
+ TTF-1	80.6	84.2	77.0
+ P40	80.4	75.5	85.4
+ both	82.7	81.3	84.2

单 marker 效果符合预设语义：TTF-1 把结果推向 LUAD，P40 推向 LUSC。这说明生成图像携带方向性信号，也说明单 marker 容易产生类别偏置。双 marker 提高 $2.4$ pp bACC，两个 recall 分别提高 $2.2$ 和 $2.8$ pp。但 recall gap 从 $2.3$ 增至 $2.9$ pp，“更 balanced”并不成立。

4.2 Slide-level BRCA：Table 2

Setting	bACC	Recall IDC	Recall ILC
HE only	58.8	96.9	20.7
+ E-cadherin	70.8	91.1	50.5

E-cadherin 将 ILC recall 提高 $29.8$ pp，同时牺牲 IDC recall $5.8$ pp，bACC 提高 $12.0$ pp；recall gap 从 $76.2$ 降到 $40.6$ pp。

“$12.0\%$ improvement”准确说法应是 12.0 percentage points；相对提升为：

$$\frac{70.8-58.8}{58.8} \times100\% \approx 20.4\%.$$

按类别比例粗略换算，本文估计总体 accuracy 仅增加约 $1.25$ pp：

$$0.802\times(-5.8) + 0.198\times29.8 \approx 1.25.$$

这不是论文报告值，只用于说明 bACC 的主要收益来自少数类 ILC。

4.3 Patch-level NSCLC：Table 3

Setting	bACC	Recall LUAD	Recall LUSC
HE only	76.3	75.2	77.4
+ TTF-1	78.3	82.7	73.9
+ P40	78.4	72.9	84.0
+ both	80.8	78.1	83.6

双 marker 提高 $4.5$ pp bACC，但 recall gap 从 $2.2$ 扩大到 $5.5$ pp。数值看似稳定，是因为有 10,472 patches；这些只来自 50 slides。正确统计应在 slide/patient 层做 cluster bootstrap 或 paired test。

4.4 Patch-level BRCA：Table 4

Setting	bACC	Recall IDC	Recall ILC
HE only	54.7	95.4	14.1
+ E-cadherin	76.1	76.5	75.7

这是全文最强结果：ILC recall 增加 $61.6$ pp，IDC recall 下降 $18.9$ pp，bACC 增加 $21.4$ pp；recall gap 从 $81.3$ 降至 $0.8$ pp。

相对 bACC 提升约为：

$$\frac{76.1-54.7}{54.7} \times100\% \approx 39.1\%.$$

按 patch 类别比例粗略换算，总体 accuracy 增加约 $4.26$ pp：

$$0.712\times(-18.9) + 0.288\times61.6 \approx 4.26.$$

关键限制是 5,039 patches 只来自 18 slides，且没有独立 patch-level 亚型 gold standard、患者级划分或聚类 CI。结果可能由少数 slide 主导。

4.5 IHC-only：Figures 5–6

粒度 / 任务	HE only	IHC only	Full PathoTool
Slide NSCLC	80.3	TTF-1 70.3；P40 63.2	82.7
Slide BRCA	58.8	E-cadherin 65.6	70.8
Patch NSCLC	76.3	TTF-1 73.9；P40 66.1	80.8
Patch BRCA	54.7	E-cadherin 71.5	76.1

NSCLC 的 IHC-only 低于 HE-only，说明虚拟染色会损失形态信息或引入噪声；完整框架高于两者，支持“受控融合优于盲信 IHC”。BRCA 的 IHC-only 已明显优于 HE-only，说明主要收益可能来自 E-cadherin 变换。需要“直接融合、不使用 Re-Conf/IC-Filter”的基线分开生成器收益和规则收益。

5. Table 5 消融：能证明什么

Task	Mag	无 $C_{\mathrm{init}}$/Re-Conf	有 $C_{\mathrm{init}}$、无 Re-Conf	无 IC-Filter	Full
Slide	$10\times$	78.9	81.1	82.1	82.7
Slide	$20\times$	78.3	80.6	80.7	81.4
Patch	$10\times$	80.7	79.0	80.7	80.8
Patch	$20\times$	80.2	78.8	80.2	80.3

完整模型相对去掉 IC-Filter 的增量只有 Slide $+0.6/+0.7$ pp、Patch $+0.1/+0.1$ pp。方向为正，但无 CI 或多 seed，不能称 significant。

Table 5 只有四种组合，缺少“有 $C_{\mathrm{init}}$、无 Re-Conf、无 IC-Filter”等完整 factorial combinations。第 2 到第 3 行同时改变 Re-Conf 和 IC-Filter，不能把差值单独归因于 Re-Conf。

Patch-level 中加入 $C_{\mathrm{init}}$ 但不启用 Re-Conf，bACC 反而下降：$80.7\rightarrow79.0$ 和 $80.2\rightarrow78.8$。这说明 $C_{\mathrm{init}}$ 不是普遍有益组件，效果依赖粒度。

完整模型从 $10\times$ 换到 $20\times$，slide bACC 下降 $1.3$ pp，patch 下降 $0.5$ pp。只能说两个倍率下均有正增益，不能证明广泛尺度不敏感。

6. 数学与算法严谨性

6.1 公式完整性

全文只有式 (1)–(2)，另有 $C_{\mathrm{init}}$、$S_{\mathrm{IHC}}$ 的集合关系和 $N=5$。没有给出：

• IHC Generator 的训练目标；
• VLM 的 HE/IHC 分类损失；
• Re-Conf 完整状态转移；
• IC-Filter 冲突谓词；
• slide patch 聚合；
• 最终决策的穷尽分支；
• bACC/Recall/Precision 正式定义。

这不是理论论文，不必强求复杂证明；但规则系统若要可复现，至少需要完整伪代码或决策表。

6.2 未定义或不一致分支

1. Mid、Medium、Med 没有标准化。
2. Regional、Weak、Focal positive 的等价关系不清楚。
3. Re-Conf 只用 Strong Positive 触发，IC-Filter 却把 Regional/Focal 也算 positive。
4. IHC1/IHC2 与当前候选类别的对应未算法化。
5. 所有 patches 被 intra-conflict 删除后的回退未明确。
6. 多 patch 弱阳性/阴性混合但不满足式 (1)–(2)时未明确。
7. Single-marker 状态如何聚合为 slide 结论未完全写清。
8. Figure 8 中存在 A/B 和 B/A 的双阳性组合，按文字规则应是 intra-patch conflict；案例却没有报告 filter 输出。

6.3 “置信度”并非校准概率

论文没有证明：

$$\Pr\!\left( \widehat{y}=y \mid C=\mathrm{High} \right) > \Pr\!\left( \widehat{y}=y \mid C=\mathrm{Mid} \right).$$

更没有证明 High→Mid 对应合理的 Bayesian update 或决策效用。若保留 reliability-aware，至少应报告 bucket accuracy、ECE、Brier、risk-coverage，以及工具采信前后的校准变化。

6.4 硬规则的领域外泛化

TTF-1/P40 的互斥关系使规则易写，但推广到多 marker、多亚型、连续表达或共表达并不直接。IC-Filter 需要专家为每个任务手写关系。更通用的方向是把 marker-class 关系写成知识图，再对生成证据做概率一致性评分；这属于后续方向，不是本文已有贡献。

7. 统计与实验可信度

7.1 没有不确定性报告

论文没有重复次数、seed、标准差、CI、bootstrap 或显著性检验。对 slide-level 应做 patient-level 配对 bootstrap；对 patch-level 必须按 slide/patient 聚类，不能把同一 WSI 的 patches 当独立样本。

7.2 数据划分不透明

未说明 train/validation/test、TCGA 是否按 patient 划分、同一患者多 slide 是否跨 split、Hospital X 是否参与调参、VLM 预训练是否包含 TCGA，以及 patch-level gold label 是否独立确认。这些是泄漏风险，不是已经证明泄漏；论文应给可审计 patient ID 去重和 split 流程。

7.3 虚拟染色真实性未验证

没有对齐真实 IHC、stain-level sensitivity/specificity、marker-positive area Dice/IoU、pathologist concordance、PSNR/SSIM/LPIPS/FID、AQuA 或生成错误与误诊归因。下游 bACC 上升不能区分“正确恢复蛋白表达”和“生成一种恰好利于分类的颜色变换”。

已有 benchmark 指出 PSNR、SSIM、FID 也未必代表临床染色正确性，因此应同时报告图像质量、marker concordance 和下游诊断三层指标。

7.4 BRCA 权衡

BRCA 大幅 bACC 增益纠正了 HE-only 的多数类偏置，但代价是 slide IDC recall 下降 $5.8$ pp、patch IDC recall 下降 $18.9$ pp。只优化 bACC 默认两类误诊成本相同；真实临床成本未必对称，应补 accuracy、macro-F1、PR curve 和 decision analysis。

8. 案例与可解释性

Figure 7：正确改判

Ground truth 为 LUSC；HE 错判 LUAD 且 $C_{\mathrm{init}}=\mathrm{High}$；五个 TTF-1 patch 全阴性、五个 P40 patch 全强阳性；Re-Conf 把 High 降为 Mid，IC-Filter 无冲突，最终正确改为 LUSC。这是规则设计的理想成功案例。

Figure 8：保留正确 HE

Ground truth 和 HE 均为 LUAD，$C_{\mathrm{init}}=\mathrm{High}$；虚拟 TTF-1/P40 状态混杂，Re-Conf 保持 High，最终保留 LUAD。它说明 gate 能避免混杂生成证据推翻正确 HE。

两张手选案例不能证明总体可解释性。应报告 Re-Conf 改变率、正确/错误改判数、intra/inter conflict rate、过滤覆盖率、High-confidence HE 错误率和 pathologist agreement。

9. 与领域现状的对话

9.1 病理智能体先例

工作	核心能力	相对 PathoTool 的关键差异
PathFound	Highlighter、VLM interpreter、RL reasoner；探索、证据寻求、最终决策	更完整的主动证据获取，但未在循环中直接生成并过滤视觉 IHC
PathFinder	多 agent WSI 导航与 patch 证据聚合	主要使用 HE，不生成虚拟 IHC
CPathAgent	多尺度 zoom-in/out 与可解释 WSI 分析	更通用的高分辨率 agent，不以虚拟染色可靠性为中心
PathChat+/SlideSeek	多 agent、分层 WSI reasoning	任务范围更广，不直接解决虚拟 IHC 冲突
WSI-Agents	task allocation、内部/外部 verification	verification 更通用，未见虚拟 IHC 生成器

PathoTool 引用 Hua et al. 的 Highlighter，却未充分讨论 PathFound 的 evidence-seeking 外循环。原文“现有病理 agent 仍被限制在 HE”过宽。更准确的定位是：现有工作已经做 WSI 导航、重观察和外部证据请求；PathoTool 的增量是在推理环中直接生成 visual IHC，并用 marker-specific gate 控制合成证据。

9.2 虚拟染色先例

• PyramidPix2pix / BCI：本文直接采用的生成架构。
• PSPStain：强调病理语义保持的更现代 H&E-to-IHC baseline。
• H&E-to-IHC benchmarking：指出图像指标与染色正确性、域外泛化存在断裂。
• AQuA：研究虚拟染色质量和 hallucination assessment。
• Building Trust in Virtual IHC：指出 patch 质量可能掩盖 WSI-level 下降。
• PathoDuet：研究 HE/IHC 联合表示，但不是生成式 agent。

所以 HE/IHC 联合使用、virtual staining 和质量评估都不是新问题。PathoTool 的创新在系统组合和决策控制层，不在生成器或病理表征层。

10. OpenReview 讨论与投稿状态

10.1 API 核验

2026-08-12 使用 OpenReview V2 客户端读取 forum CNM1LUbO5W：

项目	结果
Notes 总数	1
Submission	1
Official Review	0 条公开 note
Author Response / Rebuttal	0 条公开 note
Reviewer follow-up	0 条公开 note
Meta Review	0 条公开 note
Decision	0 条公开 note
Venue	ACL ARR 2026 May Submission

OpenReview 页面也显示 0 Replies，和用户看到 discussion 为空一致。

10.2 应如何解释

ACL Rolling Review 是评审服务，review 与最终会议录用决定解耦。May 2026 cycle 的公开时间线已经经过 review、author response 和 meta-review 节点，但 forum/API 中没有相应公开 notes。评审可能未公开或仅作者可见。

因此当前只能写：

截至 2026-08-12，没有可公开核验的 reviewer feedback、rebuttal、meta-review 或 acceptance decision。

不能断言论文没有被评审，也不能把 crawler 的“Published”日期解释为录用。

11. 审稿人视角

Strengths

1. 抓住 tool-using medical agent 的真实风险：工具输出可能比模型本身更不可靠。
2. Re-Conf 与 IC-Filter 可解释、可审计，失败时能定位触发规则。
3. 两个任务、两种粒度下 bACC 均提高，方向一致。
4. BRCA ILC recall 改进很大，显示虚拟 E-cadherin 对少数类有潜在价值。
5. IHC-only 对比坦诚暴露生成器在 NSCLC 会伤害性能。
6. 伦理声明明确系统不用于自主临床决策。

Major Issues

1. Reliability 没有被直接测量： 更高 bACC 不等于置信更校准、错误更可控或工具更可靠。
2. 统计证据不足： 无 seed、CI、配对检验；patch 指标未按 slide/patient 聚类。
3. 虚拟 IHC 没有真实性验证： 无真实 IHC、pathologist concordance 或 marker-level fidelity。
4. 消融无法完全分离贡献： Table 5 缺完整 factorial combinations。
5. 可复现性弱： 无代码、权重、完整超参数、VLM 版本、ROI 聚合或解码设置；训练数据私有且很小。
6. 泛化主张过强： 两任务均来自 TCGA，生成器来自单一 Hospital X；无多中心、跨 scanner 或更多 marker。

Minor Issues

1. Mid/Medium/Med 与 Regional/Weak/Focal 不统一。
2. Patch-level prompt 标题误写为 Slide-level HE Diagnosis。
3. Table 5 未显式列出 $20\times$ HE-only baseline，只能从括号反推。
4. 百分比与 percentage-point 混淆。
5. “IHC Generator unearths new cues”有过强生物学含义；生成器只从 HE 重编码信息。
6. 没有工具延迟、GPU 成本和生成失败率。

推荐决定

Recommendation: Major Revision / Weak Reject，约 5/10。

若补齐 patient/slide-cluster CI、confidence calibration、真实 IHC concordance、完整消融、direct-fusion baseline、外部多中心队列以及代码/权重/split，我的判断可以上调。

12. 最有价值的补充实验

最小可接受补充

• 明确 patient-level split、unique patient 数和 slide-to-patient 映射；
• 每个结果给 cluster bootstrap $95\%$ CI；
• 报告 Re-Conf 改变率、正确改判率、错误改判率；
• 报告 intra/inter conflict rate 与过滤后覆盖率；
• 加 HE+IHC direct fusion，不用 Re-Conf/IC-Filter；
• 补齐 $2^3$ 组件组合；
• 统一状态词和解析规则；
• 报告生成器训练/验证细节。

真正支撑 reliability 的实验

• confidence bucket 的 accuracy 与频数；
• ECE、Brier、selective risk-coverage；
• 正确 HE 被 IHC 推翻、错误 HE 被 IHC 修正的 paired analysis；
• 用真实 IHC 评估 marker status accuracy；
• AQuA/质量过滤器与 IC-Filter 比较；
• artifact injection stress test；
• prompt perturbation、temperature、重复采样稳定性；
• 对冲突 patches 做 blinded pathologist review。

支撑临床与泛化的实验

• 跨医院、scanner、染色协议 holdout；
• 更多 marker 和非互斥 marker；
• pathologist-AI reader study；
• 误诊成本敏感的 decision curve；
• latency、tool calls、GPU 时间与失败恢复；
• 比较虚拟 IHC、真实 IHC 和不做 IHC 的效用与成本。

13. 可复用思想与跟进决策

最值得复用的原则是：工具调用之后应有独立的证据质量评估和冲突处理层，工具输出权重由主模型置信度与跨工具一致性共同决定；不可信时保留原始通道作为安全回退。

这可推广到检索增强、代码执行、传感器融合、天气预报后处理和科学仪器 agent。Re-Conf/IC-Filter 也可作为 interpretable teacher，后续再训练 calibrated gate，但应保留规则基线。

我的跟进选择是：值得参考并复现关键思想，但不建议直接以当前实现作为临床或方法学基础。 最值得研究的是用真实 IHC 校准虚拟 IHC、将硬编码 conflict table 扩展为带不确定性的 marker knowledge graph，并让工具调用按 expected value of information 真正选择。

14. Code Verification

截至 2026-08-12：

• OpenReview submission content 没有 code、github 或 data 字段；
• 精确题名、forum ID、PathoTool + pathology/VLM/tool-using 的 GitHub、arXiv 与项目页检索没有找到官方仓库；
• 论文未提供 PathoTool 代码、VLM checkpoint、PyramidPix2pix checkpoint、Hospital X 数据或 split 文件。

因此无法执行 claims-to-code 映射、超参数一致性或运行复现。“未找到”仅限本次公开检索范围，不等于代码永远不存在。

可核验依赖包括 PathFound research code、BCI / PyramidPix2pix 与 PSPStain。它们只能验证组件先例，不能验证 PathoTool 实现。

15. 来源与核验范围

论文与投稿状态

• PathoTool OpenReview forum
• PathoTool PDF
• ACL Rolling Review
• ARR dates

相关一手工作

• PathFound
• PathFinder
• CPathAgent
• PathChat+/SlideSeek
• PathoDuet
• BCI / PyramidPix2pix
• PSPStain
• H&E-to-IHC overview and benchmarking
• AQuA
• Building Trust in Virtual IHC

本分析逐页核对 14 页 PDF，视觉检查 Figures 1–8、Tables 1–5、式 (1)–(2) 与附录 prompts；所有主表 bACC 均用两类 recall 复算。未重新训练模型，也未获得真实 IHC、私有 Hospital X 数据或公开代码，因此不能验证生成图像的生物学真实性或复现表中数值。