本文使用卷积神经网络（ConvNets）提出了一种用于直肠癌组织分类的系统，并探究了组织分类中染色归一化的重要性，同时报告了ConvNets在一批直肠癌样本和一组公开的结直肠H&E图像数据集上的表现。

Feb, 2017

本文提出了一种解释性的、端到端的多模态融合策略—— Pathomic Fusion，它基于组织学图像和基因组学（突变、CNV、RNA-Seq）特征，模型化跨模式的特征交互，并通过基于门控的注意机制控制每个表示的表现力，以提高生存结果预测的准确性，从而有助于其他医学问题的解决。

Dec, 2019

该论文应用半监督的师生知识蒸馏技术，使用0.5%的标记数据达到了与100%标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

Mar, 2020

本研究旨在通过自我监督学习方法，学习肿瘤组织内的组织病理模式，以优化结直肠癌的预后分层，并通过新的数据集、患者预后模型和实验证明了其效果优于现有深度聚类方法。

Jul, 2020

本研究通过开发基于深度学习的系统，在3,652例（27,300张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含1,239例（9,340张切片）和738例（7,140张切片）的评估，该系统实现了0.70和0.69的5年疾病特异性存活AUC，并为一组9个临床病理特征提供了显著的预测价值。

Nov, 2020

通过比对NLP模型与CNN模型预测九种大肠癌生物标志物的结果，本研究表明NLP模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下NLP模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP模型已经可以成为数字病理领域的新基础模型。

Feb, 2023

提出了一种多模态变压器模型 (PathOmics)，将病理学和基因组学洞察力结合到结直肠相关癌症存活预测中，通过无监督预训练来捕捉吉格像素全幅图像和各种基因组数据之间的固有互动，并且在预训练的多模态知识聚合后，我们的任务特定模型微调可以扩大适用于多模态和单模态数据（如仅图像或基因组）的数据效用范围，验证结果表明我们的方法在TCGA结直肠癌队列上是具有竞争力的并且胜过现有研究。

Jul, 2023

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了96.74％的准确率，在外部测试集上达到99.89％的准确率。

Oct, 2023

基于深度学习的计算病理学领域的研究表明，利用全切片图像（WSIs）客观预测癌症患者预后的效果显著。然而，目前大多数预后方法局限于组织病理学或基因组学，不可避免地降低了其准确预测患者预后的潜力。为了解决这些问题，我们提出了一种弱监督、基于注意机制的多模态学习框架——互相引导的跨模态转换器（MGCT），可以利用组织学特征和基因组特征来建模肿瘤微环境内的基因型-表型相互作用。通过使用来自癌症基因组图谱（TCGA）的五种不同癌症类型的近3600个Gigapixel WSIs进行实验，广泛的实验结果一致表明MGCT优于现有的最先进方法（SOTA）。

Nov, 2023

本研究介绍了一种创新方法，利用先进的图像分析技术提高胃癌和结肠腺癌患者的生存预测模型；通过提取全切片图像的细致特征并构建基于患者的图，利用4层图卷积神经网络进行全面分析和预测，结果表明该方法高度准确地预测患者的生存结果，对医学和人工智能社区具有重大影响。

Apr, 2024