使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

Nov, 2023

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

该论文中介绍了一种利用深度学习方法对人体组织进行皮肤肌炎活检的细胞自动分类和分割的方法，在细胞分类和分割方面的表现均有所提升，该方法对研究自身免疫性疾病的细胞组成有着可靠的应用前景。

Jul, 2022

本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法，并使用弱监督学习方法训练 HoVer-Net 模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。

Jul, 2022

我们的研究引入了一个自动化流程，该流程利用半随机补丁采样、补丁分类和 HoVer-Net 模型对肺癌患者中浸润肿瘤淋巴细胞（TILs）进行评估，从而实现对非小细胞肺癌（NSCLC）患者进行预后评估的过程的优化。该流程通过排除约 70％与预后不相关的区域，并使用仅剩下的 5％的补丁维持预后准确性（c 索引为 0.65+-0.01），在不降低预后准确性的情况下实现了计算效率，在患者存活方面与传统的 CD8 IHC 评分方法相比，该流程在 TILs 得分方面具有较强的相关性。然而，仍然需要全面的临床验证，未来的研究应着重验证其更广泛的临床实用性，并探索其他生物标志物以改善非小细胞肺癌的预后评估。

May, 2024

DeepLIIF 是一种基于多重免疫荧光染色技术的在线平台，可用于有效且可再现地对组织切片进行 IHC 评分，并自动完成 GPU 资源的规模调整。

Apr, 2022

使用 AutoQC 图像分析工具，我们开发了一种自动识别和分割心肌细胞与毛细血管的方法，并通过对胶原 IV 型的免疫荧光图像进行测量，提供了一种自动化的心肌毛细血管定量分析解决方案。

Nov, 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

利用 H&E 染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了 LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理 H&E 染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML 的可解释模型在有限量的 H&E 染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越 8 个淋巴瘤亚型的 670 个病例的危地马拉数据集上胜过黑匣子深度学习。通过 SHapley Additive exPlanation (SHAP) 分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对 DLBCL（F1 得分：78.7%）和典型霍奇金淋巴瘤（F1 得分：74.5%）最具鉴别性。最后，我们首次证明了将 H&E 染色组织特征与标准化的 6 种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与 46 种免疫染色特征的模型（86.1%）。

Nov, 2023

左心室肌中的超対骨構造或非局所性增生 (LVNC) 是一種最近被歸類的心肌病形式。本研究中，我们扩展并调整了 DL-LVTQ 以适应具有不同心肌病的患者，通过使用深度学习模型进行左心室梁的定量化。通过使用这种自动诊断工具，我们实现了对具有不同特点的各种心肌病的更好准确性和特异性的诊断。

Nov, 2023