通过大型语言模型自然语言处理的方法，Text2Cohort 工具成功解决了使用 Imaging Data Commons 数据库进行同行发现和访问的难度问题，能够大大拓展医学影像研究的应用领域。

May, 2023

医学成像数据集对人工智能在医疗保健中至关重要，本文调查了社区贡献平台上的医学成像数据集，发现数据管理和共享问题，提出了基于共同管理的模型以改善数据质量。

Feb, 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

本文介绍了一个新的计算病理学数据集，其中包含八名头颈鳞癌患者的重新染色和共注册数字化图像。该数据集展示了两种染色方法的等效性，为深度学习方法提供了客观的免疫和肿瘤细胞注释，并可用于肿瘤免疫微环境的更可重复和准确的表征。

May, 2023

相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者，为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。

Mar, 2024

本研究创建了一个包含 25,000 张医学图像的数据集（LC25000），包括多种组织病理类型，为机器学习和人工智能领域的研究提供了一个可用的数据资源。

Dec, 2019

本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

May, 2023

采用临床试验评估新药疗效的同时，对医学图像分析领域进行基准测试需要通过挑战赛，然而多个医学图像分析挑战赛的分析表明，其质量控制标准可能存在巨大差异，因此本文针对参与者方法的可复现性问题提出了一个观点，尝试寻找替代性解释并重现算法提交结果，结果表明挑战赛排名可能不够可靠。

Jul, 2023

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

该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。

May, 2018