通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

Jul, 2017

该文提出采用无监督领域适应方法，利用对抗性训练在整张组织切片图像上实现领域间知识的转移，提高了前列腺癌Gleason分数的分类表现。

Jun, 2018

本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

Dec, 2019

本研究使用领域泛化技术改善深度神经网络的泛化能力，使其能够处理来自不同医院和实验室的WSIs和组织病理学影像集，结果表明使用该技术时，低维空间表示和分类准确性都有所提高。

Apr, 2022

研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

May, 2023

建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

Oct, 2023

深度学习模型在计算病理学中表现出了卓越的效果，通过解决复杂的组织学图像分析应用中出现的外域数据问题，降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。

Oct, 2023

医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个GitHub项目，收集了相关资源，链接为：https://this-URL-github-project

Feb, 2024

多实例学习在数字病理学应用中具有吸引力，但对于临床实际中的领域漂移敏感性问题尚不清楚，本研究通过训练一种基于注意力机制的多实例学习算法，在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像，并提出一种名为Fréchet Domain Distance（FDD）的无监督度量方法来量化领域漂移。FDD的性能表现通过与分类性能变化的平均皮尔逊相关系数衡量，10折交叉验证模型下FDD的相关系数达到0.70，作为评估基准的深度集成（Deep ensemble）、置信度差异（Difference of Confidence）和表达式漂移（Representation shift）方法分别获得的平均皮尔逊相关系数为0.45、-0.29和0.56。FDD可以成为医疗服务提供者和供应商的有价值工具，无需额外的病理学注释就能验证多实例学习系统在新的实施点上是否能够可靠运行。

May, 2024

我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。

Jul, 2024