利用基於深度學習的計算病理學算法-TOAD進行差異診斷，可幫助繁瑣的轉移瘤和CUP病例的診斷，減少CUP發生率。

Jun, 2020

该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

Sep, 2020

准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调H&E图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的MobileNet-V2模型作为OCU-Net的骨干网络，创建了OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net和OCU-Netm优于现有的分割方法，在OCDC和ORCA数据集的H&E图像中准确识别癌细胞。

Oct, 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

利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

Nov, 2023

通过分析病理学图像预测乳腺癌早期患者复发的风险，本研究探讨了深度学习算法是否能准确预测复发的可能性，结果显示通过对125个组织切片图像进行分析，得到了对低、中、高风险预测的灵敏度分别为0.857、0.746和0.529，对应的特异性分别为0.816、0.803和0.972，而与专家病理学家提供的组织级别信息对比，得到的皮尔逊相关系数为0.61，此外，模型通过类活化图考虑了管状形成和有丝分裂率对不同风险组的预测结构。

Jun, 2024

结合多模态成像和深度融合的方法，该研究旨在提高基于人工智能的口腔癌检测的准确性，通过亚甲基蓝染色液基细胞学刷片的亮场和荧光显微镜成像分析，证实荧光成像提供了重要的诊断信息，并且多模态融合方法提高了单模态方法的分类和癌症检测准确性，其中Co-Attention Fusion Network（CAFNet）模型在测试中表现优秀，F1分数达到83.34％，准确率为91.79％，超越了人类的表现，进一步测试显示对图像配准的精确性优化有助于优化多模态分析的效果，这项研究通过结合深度学习和多模态成像推动了细胞病理学的发展，提高了口腔癌的早期非侵入性检测的准确性，改进了诊断精度和临床工作流程，并且该研究开发的流程也适用于其他细胞学领域。

Jul, 2024

本研究解决了现有遮挡型可解释人工智能（XAI）方法生成分布外样本的问题，从而导致评估不准确。提出的基于修补的遮挡（IBO）策略通过利用去噪扩散概率模型在组织病理图像中修补遮挡区域，减少了分布外伪影并保持了数据完整性。结果表明，IBO显著提高了感知保真度，并使XAI性能预测的准确率从42%提升至71%。

Aug, 2024

本研究解决了现有遮挡性解释性人工智能方法生成异常样本的问题，从而影响评估准确性。提出的基于修复的遮挡方法（IBO）通过利用去噪扩散概率模型修复组织病理图像中的遮挡区域，以实现更高的感知相似性和模型预测精度。结果显示，IBO显著提高了感知保真度，使XAI性能预测的准确率从42%提升至71%，为组织病理学及其他应用提供了更可靠的评估方法。

Aug, 2024

本研究针对目前乳腺癌患者复发风险分层工具的局限性，提出了一种基于深度学习的计算病理学方法Deep-BCR-Auto，从常规的H

Sep, 2024