利用自监督对比学习的全幻灯片图像表示进行黑色素瘤一致性回归
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
通过动量对比学习补充卷积神经网络、传输学习提出的小块级别分类和患者级别聚合的模式，从而更精确的评估患者结直肠癌的微卫星稳定状态
Aug, 2022
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
通过自动弱监督分级方法 RACR-MIL，将肿瘤 WSI 转化成以瓦片补丁为基础的袋模型，并利用基于注意力的多实例学习进行 WSI 级别的分级，通过三个关键创新解决了肿瘤分级中的一般性和特定性挑战，取得了在 cSCC 组织图像数据集上 2-9% 的分级改进和更好的肿瘤定位，对于难以分类的高危分级类别具有 5-20% 的精确度提高，并且能够应对类别不均衡的情况。
Aug, 2023
本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。
Apr, 2024
我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用 H&E 和 HPS 染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在 258 名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。
Nov, 2023
本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。
Sep, 2021
通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。
May, 2023
通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。
Apr, 2024
本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。
May, 2023