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

本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估 Tumor-TIL 空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。

May, 2019

通过使用肿瘤浸润淋巴细胞（TILs）和核蛋白 Ki67 作为预测因子，我们提出了一种资源消耗感知的深度神经网络方法，用于在乳腺癌筛查中有效估计 Ki67 阳性细胞的百分比，并且在减少计算资源需求的同时保持了较高的准确率。

Dec, 2023

提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

Mar, 2019

使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

Apr, 2024

使用人主导策略进行医学领域机器学习模型训练的应用研究，以整合基因组数据和乳腺癌的全切片图像分析为例，探索了人工专家在处理大规模和复杂数据中的作用以及该方法的局限性。

Mar, 2024

使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

Jun, 2016

通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

Apr, 2024

淋巴细胞在组织病理学切片中的高效、准确量化对于肿瘤微环境和免疫治疗反应的表征至关重要。我们开发了一个基于数据的优化流程，利用现成的 YOLOv5 模型在不进行任何结构修改的情况下实现了出色的淋巴细胞检测性能。我们的工作依赖于策略性的数据集增强策略，包括新颖的生物上采样和定制的视觉连贯转换，针对组织图像的独特特性进行设计，从而大大提高了模型的性能。我们的优化揭示了一个关键的实现：在进行了密集定制化之后，标准的计算病理学模型可以实现高能力的生物标志物开发，而不增加架构复杂性。我们展示了这种方法在乳腺癌背景下的兴趣，证明我们的策略可以实现良好的淋巴细胞检测性能，引发了广泛的影响性的范式转变。此外，我们的数据整理技术提供了关键的组织学分析基准，突显了提高的通用潜力。

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