采用人工智能技术实现语义分割，提取出局部空间生物标志物，通过分析组织学特征的分布，实现对 EoE 患者诊断和严重程度分类的决策支持系统。

May, 2022

该研究开发了一个名为 Open-EoE 的开源工具包，能够通过 Docker 进行端到端全幻灯片图像级别嗜酸粒细胞检测，支持三种最先进的基于深度学习的目标检测模型，并通过集成学习策略进一步优化性能，提高结果的精确度和可靠性。实验结果表明，Open-EoE 工具包能够高效地检测嗜酸粒细胞，并在诊断 EoE 时达到了 91% 的准确率，显示出与病理学家评估结果的一致性，为将机器学习方法融入 EoE 的诊断过程提供了一个有前景的途径。

Aug, 2023

我们提出了一种改进 Adorno 等人的方法来量化嗜酸性粒细胞，该方法利用蒙特卡洛辍学法在当前深度学习模型上提供不确定性量化，并通过输出图像可视化不确定性来评估模型性能、了解深度学习算法的工作原理，并协助病理学家识别嗜酸性粒细胞。

Sep, 2023

该论文提出了多标签 CircleSnake 模型，并通过实验结果显示其在识别和分割嗜酸性粒细胞方面的优越性，从而促进对食管嗜酸性粒细胞食道炎的更好表征。这种自动化方法有望简化评估过程并提高诊断准确性。

Aug, 2023

人工智能在医学诊断中的应用是管理上消化道癌症（全球癌症死亡主因之一）的重要进展。 该研究综述了基于多样性数据训练的 Foundation 模型在内窥镜和病理图像分析方面提高准确性的最新进展、应用和挑战。

Jun, 2024

这篇论文使用自然语言处理技术从临床笔记中自动提取配合 CTCAE 指南的食管炎毒性严重程度，取得了让人满意的结果，为在扩展领域下基于 NLP 自动化详细毒性监测提供了切实可行的解决方案。

Mar, 2023

我们开发了一种基于 Transformer 的新管线，以改善血红素和伊红染色全切片图像中口腔上皮畸形（OED）的检测和分割。我们的模型在从英国和巴西三个外部中心收集的测试数据上验证后，表现良好，并取得了最先进的结果。这是第一项在癌前组织病理学图像中使用 Transformer 进行分割的外部验证研究，我们公开提供的模型显示出巨大的潜力，可成为完全集成管线的第一步，实现更早和更有效的 OED 诊断，最终使患者受益。

Nov, 2023

本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

Jul, 2022

通过使用小型真实内窥镜图像数据集训练，生成大量合成样本，然后使用主动学习方法选择最有信息量的样本进行分类器训练的主动学习基于生成扩增方法，在公开可用的内窥镜图像数据集上展示了该方法的有效性，结果显示使用合成样本与主动学习相结合相比只使用原始标记样本的基线分类性能（68.1%）提高到了 74.5% 的 Quadratic Weighted Kappa (QWK) 评分，另一个观察结果是仅使用真实数据达到相同性能需要三倍的图像数量。

Nov, 2023

我们开发了一种通用的基于 Transformer 的方法来自动提取 Barrett 食管炎（BE）病理报告中的关键诊断表型，进行二元非典型增生分类和多类别 BE 相关诊断分类，通过使用临床预训练的大型语言模型，我们得到了与自定义规则系统相当的性能。

Aug, 2023