组织病理学相似图像搜索：SMILY
通过相似性计算，利用病理组织学的病理图像可以在研究和临床环境中进行病人之间的匹配，最近的搜索技术进展为细胞结构的定量化提供了可能，可实现不同组织类型的比较，从而对诊断、预后和新患者的预测提供推论，本文综述了用于计算病理学研究中高效、快速和有效的图像搜索方法的最新发展。
Jan, 2024
在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH 和 RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。
Jan, 2024
本文通过调查三款最先进的组织病理学幻灯片搜索引擎，对三种实体肿瘤患者的搜索和提取进行了临床评估，发现当前搜索引擎在识别病理学上仍存在困难，因此提出了一些最小化的要求，旨在进一步促进准确和可靠的医学组织病理学图像搜索引擎的发展。
Jun, 2023
本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。
Nov, 2019
提出了一种适用于数字病理学领域的自监督方法，利用同构网络从全切片图像中提取特征来创建稳健和紧凑的图像描述符，其由长度为 128 的特征向量生成，并结合实验结果表明，相比于现有的 ImageNet 和通用的自监督特征提取方法，该方法在图像检索方面具有更好的表现。
May, 2019
通过提出的两种基于内容的组织学图像检索（CBHIR）方法，在乳腺和皮肤癌数据集上集成了自定义的孪生网络作为特征提取器，实现了稳健准确的补丁级检索，并在顶部 K 正确率上评估，以解决组织学图像中的问题。
Jan, 2024
本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。
Apr, 2023
本文提出了一种数字病理学搜索引擎 Yottixel，它能够以紧凑的方式代表全切片图像，并使用 “条形码组合”（BoB）的算法进行智能编码以实现在大型档案中快速准确地搜索病例。测试结果表明，Yottixel 可以精确地检索器官和恶性肿瘤，并显示其语义排序与人类观察者的主观评估具有很好的一致性。
Nov, 2019
本文研究了机器学习在医学决策中图像检索系统中的应用，通过开发改进工具，以满足病理学家在使用深度学习算法检索相似图像时的需要，提高了检测到的图像的诊断实用性并增强了用户对算法的信任。在使用改进工具时，用户还采用了新的策略，以测试和理解基础算法，并从自己的错误中消除机器学习中的错误。
Feb, 2019
基于 BLIP-2 框架，使用病理报告中的精选文本与整张切片图像配对，开发了一种视觉语言模型，实现了共享的图像 - 文本嵌入空间，如文本或图像检索以寻找感兴趣的案例，以及将 WSI 编码器与冻结的大型语言模型（LLM）集成，以实现基于 WSI 的生成文本能力，如报告生成或 AI 交互。在超过 35 万张 WSI 和诊断文本配对的去标识化数据集上，展示了病理医师对文本生成和文本检索的评估，以及 WSI 分类和工作流程优先级排序（切片级别的分流）。平均来说，根据病理医师的评估，78％的 WSI 的模型生成的文本准确无误、没有临床上显著的错误或遗漏。这项工作展示了语言与 WSI 嵌入相结合的激动人心的潜力能力。
Jun, 2024