通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。

Dec, 2019

本研究通过开发基于深度学习的系统，在 3,652 例（27,300 张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含 1,239 例（9,340 张切片）和 738 例（7,140 张切片）的评估，该系统实现了 0.70 和 0.69 的 5 年疾病特异性存活 AUC，并为一组 9 个临床病理特征提供了显著的预测价值。

Nov, 2020

通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

Feb, 2024

本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

Nov, 2020

本研究使用 EPIC-Survival 对肝内胆管癌进行预后建模，实现了对不同风险组的分层和排名，改进了传统预后模型刻画能力，同时揭示了低风险组和高风险组的组织学差异。

Jan, 2021

应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

May, 2024

本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

Sep, 2021

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

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

利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

Feb, 2021