通过使用条件神经网络的多任务模型，结合人工智能和声子显微镜技术，来研究和识别高频超声数据中的癌细胞；该方法能够校正批次效应、进行准确的细胞分类，并重构降噪信号，以实现疾病状态的物理解释。

Mar, 2024

我们提出了一种基于可标注效率的对比学习模型（LECL），用于在 3D 免疫荧光图像中检测和分类各种类型的细胞核，该方法克服了使用点注释进行训练时的困境，并采用扩展的最大强度投影方法解决了多个 z 堆叠帧引起的问题。我们在心血管数据集上进行了实验，并发现我们的框架在检测和分类 3D 免疫荧光图像中的各种细胞核方面是有效且高效的。

Sep, 2023

我们开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，我们对网络的可解释性进行了增强，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果，我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路（微丝蛋白的空间分布）。

Sep, 2023

本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

Oct, 2019

本研究探讨了将多实例学习（MIL）应用于卷积神经网络（CNNs）以进行显微镜图像分类和分割，并提出了适应性嘈杂 AND MIL 汇集函数，对异常值有鲁棒性，其结果在哺乳动物和酵母显微镜图像上的表现优于以前的方法，无需任何分割步骤。

Nov, 2015

该研究提出了 FlowCyt，这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征，并通过监督感应学习和半监督传导学习在每个患者中最多使用 100 万个细胞进行实验。通过 Gaussian 混合模型，XGBoost，随机森林，深度神经网络和图神经网络（GNNs）等基准方法，GNNs 通过利用图编码数据的空间关系展现出卓越的性能。该基准允许对临床相关的分类任务进行标准化评估，并进行探索性分析以洞察血液细胞表型，并且是第一个具有丰富注释的异质数据集的公开流式细胞学基准。它将促进单细胞分析新方法的开发和严格评估。

Feb, 2024

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。

Nov, 2023

使用变分自动编码器进行监督学习的深度学习细胞特征提取模型，用于从多重免疫荧光细胞图像中提取细胞特征，并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。

Jun, 2024

本文介绍了一种新的基于拼图聚类的预处理任务方式，可在降低训练成本的同时充分利用图像内部和外部信息进行训练，实现了与对比学习方法相当的效果，甚至在只使用一半的训练批次时也能够优于其他单批次方法。通过预训练模型，最终在 ImageNet 、CIFAR-10 和 CIFAR-100 数据集上实现了优异的成果。

Apr, 2021