重新思考病理学中机器学习模型的评估
人工智能在数字组织学图像中的自动信息提取已被证明可以改善病理诊断。然而，在正式使用前，需要评估其预测性能并获得监管机构的认可，而这需要恰当的测试数据集，本文总结了病理测试数据集的一般建议，旨在帮助人工智能开发者证明其产品的实用性，并帮助监管机构和最终用户验证所报导的性能指标。
Apr, 2022
本文介绍了基于现代自监督学习算法的深度学习方法的最新进展，以及构建医学图像基础模型的相关工作。我们通过扩展性强的训练流程和综合分析不同超参数选择和训练技术，构建了一系列针对病理学图像的基础模型，并经过实验评估，在乳腺癌亚型分类和结肠癌核分割等不同任务上达到了最先进的性能水平。最后，为了统一领域内的评估方法并简化不同基础模型的比较，我们还提供了开源框架，用于在不同任务中一致评估病理学基础模型。
Mar, 2024
该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。
May, 2018
本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景，给出了从病理和技术角度的图像预处理方法和基于机器学习的方法，以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。
May, 2022
评估鉴于组织病理图像的机器学习模型在女性乳腺癌诊断、分类和预后方面的性能，并说明了外部验证的重要性和存在的挑战。
Dec, 2023
最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO 算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。
Oct, 2023
通过半自动化数据整理和引入病理学领域知识，我们扩展了数字病理学全幻灯片图像的基础模型的最新技术。我们的模型在公共和内部基准测试中表现良好，尽管使用的幻灯片数量比竞争模型少一个数量级。我们预计在更多数据和更大的模型规模下，我们的方法将进一步提高性能，并能够处理日益复杂的诊断和生物医学研究中的实际问题。
Jan, 2024
使用 LSTM 从胸部 X 光片中预测 14 种病理模式，提出并讨论了与临床实践相关的替代评估指标，其结果在 NIH 提供的最大公开胸部 X 光数据集上获得了最新的技术成果。
Oct, 2017