本研究旨在通过自我监督学习方法，学习肿瘤组织内的组织病理模式，以优化结直肠癌的预后分层，并通过新的数据集、患者预后模型和实验证明了其效果优于现有深度聚类方法。

Jul, 2020

该论文提出了一种简单的课程学习方法，用于根据标注者一致性评估的难度逐步训练组织病理学图像分类模型，在结直肠息肉分类任务中将模型性能从83.7%的AUC提高到88.2%的AUC，以启发研究人员在选择应用课程学习时更具创造性和严谨性。

Sep, 2020

提出了一种基于课程学习的动态难度自适应自监督学习方法，通过增加难度来改进预训练表示，并在组织学图像分类任务中验证了其有效性。

Aug, 2021

该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

Aug, 2022

通过比对NLP模型与CNN模型预测九种大肠癌生物标志物的结果，本研究表明NLP模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下NLP模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP模型已经可以成为数字病理领域的新基础模型。

Feb, 2023

使用U-Net多任务模型结合颜色和统计学增&测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在CRC检测（SemiCOL）2023挑战上，该方法在被部分标注的数据集上取得了.8655的Dice分数（Arm 1）和.8515的Dice分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的AUROC值。

Apr, 2023

最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。

Oct, 2023

我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用H&E和HPS染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在258名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。

Nov, 2023

深度学习在病理学中的应用包括疾病预测和个体化治疗，研究表明，在计算机病理学中，传统的染色归一化处理在深度学习时代仍然存在争议，采用以自我监督学习训练的特征提取器可以在省内存和计算资源的同时不影响下游性能，同时对染色和图像扩增具有鲁棒性。

Nov, 2023

本文提出了一种新的方法，利用少样本学习对2D组织学病理学图像进行分类。通过在组织学切片上应用滑动窗口技术，我们揭示了转导学习（即在补丁上进行联合预测）在实现一致准确分类中的实际效益。我们的方法采用基于优化的策略，主动惩罚每个窗口内大量不同类别的预测。我们在组织学数据上进行实验证明了我们方法的有效性以及提高自动癌症诊断和治疗过程的潜力，同时减少了专家标注所需的时间和精力。

Nov, 2023