本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

Jun, 2023

我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

Mar, 2024

通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

Apr, 2015

本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

Jul, 2019

本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

Oct, 2019

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

本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

Aug, 2019

本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织 WSI 的细胞级信息进行分类，成功实现对病理组织的诊断和分类。

May, 2017

本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

Apr, 2020

通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

Apr, 2023