该论文应用半监督的师生知识蒸馏技术，使用0.5%的标记数据达到了与100%标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

Mar, 2020

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在The Cancer Genome Atlas和PatchCamelyon数据集上进行了评估，显示出一定的潜力.

Apr, 2020

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

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

通过从YouTube等多种资源中收集图像和文本，我们构建了一个大规模的视觉语言数据集Quilt-1M，其中共包含100万个成对的图像和文本样本，这是到目前为止规模最大的组织学图像和文本数据集，并通过微调预训练的CLIP模型在13个 diverse patch-level数据集和跨模态检索任务中优于最先进的模型。

Jun, 2023

CONCH是一个基于多种来源的组织病理学图像、生物医学文本和117万图像标题对的视觉语言基础模型，可在涉及组织病理学图像和文本的各种下游任务中实现最先进的性能，为机器学习基于工作流程提供极少或无需进一步监督微调的可能性。

Jul, 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

本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个Transformer块和900万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在12个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

Nov, 2023

该研究提出了一种名为综合病理语言图像预训练（CPLIP）的无监督技术，用于增强组织病理学中图像和文本的对齐，以进行分类和分割等任务。CPLIP通过利用大量数据而不需要地面真实注释，来丰富视觉-语言模型。通过构建特定于病理学的词典、使用语言模型为图像生成文本描述，并通过预训练模型检索每个文本片段的相关图像，再运用多对多对比学习方法对模型进行微调，以使复杂的相关概念在两种模态之间对齐。在多个组织病理学任务中进行评估，CPLIP在零样本学习场景中显示出显著的改进，超越了现有方法在可解释性和鲁棒性方面，并在该领域中树立了更高的基准。为了鼓励进一步的研究和复制，CPLIP的代码可在GitHub上获取。

Jun, 2024

本研究针对组织病理图像中的少样本分类问题展开，填补了该领域应用不足的空白。研究评估了多种最先进的少样本学习方法在不同场景下的表现，发现最佳方法在不同的少样本场景下达到了70%以上、80%以上和85%以上的准确率，表明了针对专业领域如组织病理图像的计算机视觉技术的显著进展。

Aug, 2024