数字化组织切片和人工智能，特别是深度学习的快速进展，推动了计算病理学领域的发展。这篇综述总结了计算病理学领域近期的方法学进展，重点介绍了这些发展如何使临床实践自动化，并可发现新的生物标志物。作者还提供了未来展望，指出该领域将扩展到更广泛的临床和研究任务，并涉及越来越多样化的临床数据模态。

Dec, 2023

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

本文针对数字病理学领域提出了透明的人工智能算法（XAI）进行调研，将当前一些 XAI 技术与数字病理学的特定需求相结合，以指导未来的研究努力，建立跨学科讨论的共同基础。

Aug, 2020

本系统性评价及 Meta 分析收集了 2976 篇关于基于人工智能应用于数字病理学影像诊断的论文，并汇总了 100 篇研究的结果，通过对 152,000 张全幅切片图像进行分析，评估了 AI 模型的诊断精度，结果表明在整个病理领域中，AI 模型的平均灵敏度为 96.3%，平均特异度为 93.3%。

Jun, 2023

人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法，通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题，弥合了输入和切片级监督之间的差距。虽然计算成本更高，但详细的定量验证显示了病理基础模型的大规模预训练的前景。

Mar, 2024

数字病理学结合人工智能和机器学习可实现癌症诊断、预后和预测的提高，但需要综合运用人工智能和人类专家的智慧。

Dec, 2017

生物医学研究发展重要依赖于获取大量医疗数据。该论文探讨了医疗数据共享的法规和术语，并从组织病理学角度指出了相关挑战。提出了一份组织学数据共享指南，旨在促进多学科研究和教育。

Jul, 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

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

使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

Sep, 2023