该研究介绍了一种病理深度学习系统 (PDLS)，该系统可以对数码全幻灯片图像进行分类诊断，特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能，可以帮助病理医生明确合适的病理检查先后顺序，缩短患者等待诊治时间，最终改善患者的生命质量。

Sep, 2021

本文介绍了一种在兽医医学中的细胞学图像实例分割的机器学习系统，利用该系统对 11 种不同类型的细胞进行了实验，并在 3 种选定的肿瘤类型上取得了高的平均精度和召回率指标，该数据集的规模也对结果产生了积极的影响。

May, 2023

通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。

Aug, 2023

本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

Nov, 2019

通过可解释的原型 - 部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导，我们提出了一种新的黑素瘤诊断方法，实验证明即使没有专家监督，我们的方法在性能和泛化程度上均优于不可解释的模型。

Feb, 2024

利用 H&E 染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了 LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理 H&E 染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML 的可解释模型在有限量的 H&E 染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越 8 个淋巴瘤亚型的 670 个病例的危地马拉数据集上胜过黑匣子深度学习。通过 SHapley Additive exPlanation (SHAP) 分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对 DLBCL（F1 得分：78.7%）和典型霍奇金淋巴瘤（F1 得分：74.5%）最具鉴别性。最后，我们首次证明了将 H&E 染色组织特征与标准化的 6 种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与 46 种免疫染色特征的模型（86.1%）。

Nov, 2023

本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

Jan, 2020

使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

Jun, 2016

本文提出了 Data and Knowledge Co-driving（D&K）模型，结合数据驱动和知识驱动的方法实现对组织病理学切片的诊断，经过实验验证，其在组织病理学次类型诊断方面取得了可信的高效性

Apr, 2023

在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

Mar, 2021