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
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。
这项研究利用 AI 推断组织学特征，并引入因果学习模型，应用于以组织学诊断为基础的食物消除计划中。研究结果表明，相比于只有一种食物消除计划，六种食物消除计划并不能提供更好的治疗效果，而且单独的食物消除计划对 35% 至 38% 的患者有改善作用，而本研究推出的因果模型治疗策略可以提供 58.4% 的改善率。
Apr, 2023
本研究通过深度学习方法对自动器官分割进行了评估，比较了不同方法在准确性、不确定性校准性和可扩展性等方面的强弱点，为可靠、稳健的模型开发提供了有价值的建议。
本文提出了一种名为 YOHO 的深度学习方法，它可以仅使用单张病人图像进行训练，避免了隐私泄露和泛化问题，同时通过使用临床专家的知识和几何渲染等技术细节，在提高分割准确度方面取得了显著进展，得分为 0.888。
Jun, 2023
本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。
Mar, 2024
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
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
通过引入一种迭代的深度学习方法，利用无偏态系学的方法基于感兴趣区域内的深度图像，提高细胞分割与计数，使得机器学习模型在缺少标注数据的情况下具有更好的性能表现。
Jan, 2019