该研究利用图神经网络将 MELC 数据与放射学特征相结合，着重进行细胞级别分析，评估基因表达谱和放射学特征的有效性，发现放射学特征，尤其是与 UMAP 结合进行降维，显著提高分类性能。值得注意的是，使用放射学特征有助于提高诊断准确性和计算效率，因为它能够从较少的染色中提取关键数据，从而降低操作成本。这种方法在黑色素瘤细胞分类的计算皮肤病学中标志着一项进展，为未来的研究和潜在的发展奠定了基础。

Dec, 2023

本文提出了使用深度神经网络实现黑色素细胞分割的方法，以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练，最终得到了可靠的结果。

Nov, 2022

本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了 BReAst 癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

Feb, 2021

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

通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统，我们发现 MelanA 分类器与基准 H&E 分类器表现相似，可以通过多染色分类进一步提高性能，为病理学家的临床工作提供帮助。

Sep, 2023

癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

Nov, 2023

采用离散建模技术应用于非黑素瘤皮肤癌问题，通过实现 VQ-GAN 模型重建高分辨率 IEC 图像并训练序列转换器以生成自然语言描述，提供了理解疾病的另一个角度。

Jul, 2022

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

May, 2020

本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

Sep, 2022

该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

Jun, 2020