通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在 WSI 数据集上具有优越性能，准确率提高 1.0%-2.6%，在 AUROC 上提高 0.7%-1.6%。

Mar, 2024

本文提出了一种名为 MEGT 的创新型多尺度高效图形变压器框架，用于 WSI 分类，并采用两个独立的 EGT 分支处理 WSI 中的低分辨率和高分辨率补丁嵌入以及通过多尺度特征融合模块融合这些令牌。

May, 2023

基于深度学习的计算病理学领域的研究表明，利用全切片图像（WSIs）客观预测癌症患者预后的效果显著。然而，目前大多数预后方法局限于组织病理学或基因组学，不可避免地降低了其准确预测患者预后的潜力。为了解决这些问题，我们提出了一种弱监督、基于注意机制的多模态学习框架 —— 互相引导的跨模态转换器（MGCT），可以利用组织学特征和基因组特征来建模肿瘤微环境内的基因型 - 表型相互作用。通过使用来自癌症基因组图谱（TCGA）的五种不同癌症类型的近 3600 个 Gigapixel WSIs 进行实验，广泛的实验结果一致表明 MGCT 优于现有的最先进方法（SOTA）。

Nov, 2023

提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

May, 2023

提出了一个名为 MUSTANG 的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的 k 最近邻图和欧几里得距离进行操作限制，取得了 0.89/0.92 的 F1 得分 / 曲线下面积，优于广泛使用的 CLAM 模型。

Sep, 2023

通过使用基于 Transformer 的 Subtype-guided Masked Transformer (SGMT) 范式，我们在病理图像标注中引入一种伴随的亚型预测，以提高训练过程中的准确性，并通过采用不同的序列化抽样策略来处理病理图像标注的尺寸限制，实验结果表明，我们的方法在 PatchGastricADC22 数据集上的性能优于传统的基于 RNN 的方法，且我们的代码可供进一步的研究和开发。

Oct, 2023

利用病理图像和基因组学特征进行生存预测在癌症分析和预后中变得越来越重要。本文提出了一种多模态跨任务交互 (MCTI) 框架，用于探索亚型分类和生存分析任务之间的内在关联。通过利用亚型分类任务来捕捉病理图像中与肿瘤微环境相关的特征，在基因组特征提取中应用多头注意机制来自适应地执行基因分组，获得与任务相关的基因嵌入。通过病理图像和基因组数据的联合表示，我们进一步引入了一种运输引导注意 (TGA) 模块，利用最优传输理论来模拟亚型分类和生存分析任务之间的关联，有效地转移潜在信息。大量实验证明了我们方法的优越性，MCTI 在三个公共基准测试中表现优于现有的最先进框架。

Jun, 2024

提出了一个全局利用 WSI 的 Hierarchical Attention-Guided Multiple Instance Learning 框架，该框架动态地、全面地发现了 WSIs 的多个分辨率上的显著区域，同时使用 Integrated Attention Transformer（由多个 Integrated Attention Modules 组成）进一步提高了 transformer 的性能，实验表明，该方法在多个数据集上取得了最先进的表现。

Jan, 2023

本文提出了一种用于 WSI 分析的新型 Hierarchical Interaction Graph-Transformer（HIGT），通过学习 WSI 金字塔的局部和全局特征，并建立不同层次之间的双向交互，实现了肿瘤亚型和分期任务上的优于现有方法的性能。

Sep, 2023

本文提出了一种多头特征自适应模块，以促进源领域中的知识转移至目标领域，尤其适用于 WSI 分类；实验结果表明，我们的方法在多个数据集上均取得了最先进的性能，远优于从头开始训练的模型，证明了我们提出的方法的有效性。

Mar, 2023