该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

Sep, 2019

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

本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020

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

通过对不同backbone的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的F1分数。

Mar, 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

通过本研究，我们首次引入HistGen，一个采用多实例学习的框架用于组织病理学报告生成，并提供了用于评估的基准数据集。该模型通过两个精心设计的模块来提高报告生成的效率，从而加强了临床效果。实验结果表明该模型在报告生成方面表现优于现有最先进模型，并且在癌症亚型和生存分析任务上的微调表明具有很强的迁移学习能力。

Mar, 2024

本研究解决了组织病理图像分析中对大规模数据集的依赖问题，提出了一种新颖的数据集蒸馏算法Histo-DD，结合了染色标准化和模型增强。实验结果表明，Histo-DD生成的合成样本能有效保留区分性信息，显著降低训练成本，并具有体系结构无关的特性，展示了合成样本在替代大规模数据集方面的潜力。

Aug, 2024

本研究探讨了在组织病理图像分析中广泛应用的NCT-CRC-HE-100K结肠癌数据集，揭示了由于不当的颜色标准化和JPEG压缩伪影等问题，数据集结果可能受到特定偏差的影响。通过实验表明，简单模型的准确率可超过50%，而基础高效网络模型甚至能达到97.7%的准确率，显著超越了以往的方法，突显了数据集的潜在问题和研究的风险。

Sep, 2024