利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

Jul, 2023

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

该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

Aug, 2022

本研究使用自监督学习算法 MoCo v2 在组织病理学图像上进行了领域内特征提取训练，获得了比 ImageNet 预训练的特征提取器更好的性能，提高了半监督学习在组织病理学中的性能，同时展示了该特征提取器学到的组织结构嵌入空间具有生物学意义上的解离性。

Dec, 2020

通过弱监督学习方法，在常规染色的活检病理切片上自动分类了原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌。使用 Resnet18 神经网络训练了一个弱肿瘤 / 非肿瘤区域的标注作为标签，并利用网络的最后一个卷积层提取新的肿瘤切片特征，然后应用了一种无监督聚类算法。模型识别了肝细胞癌和肝内胆管癌的特定特征，尽管未识别到混合型肝细胞 - 胆管细胞癌的特定特征，但在综合诊断原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌方面，识别出肝细胞癌和肝内胆管癌的切片可能会有帮助。

Apr, 2024

本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

Nov, 2020

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

本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法优于现有的多视角学习方法。

Jun, 2023

本文研究了两种预训练方法（回归损失和对比损失）对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果，并发现自我监督预训练减少了标记数据的需求，且基于对比损失的预训练的初始化效果更好。

May, 2022

利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

Feb, 2021