使用数字病理学，本文提出了一种名为CBI的复合生物标记物图像，它使用不同过滤的免疫组化生物标记物图像进行组合以实现更好的可视化，并且更有效的临床工作流程。
Apr, 2023
本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。
May, 2023
该研究提出了一种在VAE潜在空间中使用动态时间扭曲(DTW)进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询H&E幻灯片最相似的多重免疫荧光成像(mIF)。通过训练VAE和应用DTW，我们对齐并比较mIF和H&E幻灯片，从而融合了形态学H&E数据和来自mIF的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。
Jun, 2023
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
在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。
Jan, 2024
通过将免疫组化数据与H&E染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集BCI上取得了令人印象深刻的0.953的高准确率。
May, 2024
使用基于深度学习的半监督训练的全自动决策支持系统(DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。
Jun, 2024
本研究解决了在乳腺癌中从H
Aug, 2024
本研究解决了传统免疫组织化学染色方法在检测三级淋巴结构(TLSs)中的局限，提出了一种新颖的掩膜引导对抗转移学习方法，用于虚拟病理染色。研究表明，VIPA-Net显著提高了在H
本研究探讨了先进的组织病理学基础模型在多染色自身免疫免疫组化数据集上的泛化能力。研究表明，尽管在肿瘤病理学上表现良好，这些模型在处理自身免疫性疾病时的有效性和重要性却存在问题，揭示了从癌症到自身免疫组织病理学知识转移的挑战。该研究强调了在不同组织病理学任务中仔细评估AI模型的重要性。
Oct, 2024