本研究使用自监督学习算法MoCo v2在组织病理学图像上进行了领域内特征提取训练，获得了比ImageNet预训练的特征提取器更好的性能，提高了半监督学习在组织病理学中的性能，同时展示了该特征提取器学到的组织结构嵌入空间具有生物学意义上的解离性。
Dec, 2020
该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。
Aug, 2022
通过对不同backbone的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的F1分数。
Mar, 2023
使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。
Aug, 2023
建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。
Oct, 2023
数字病理学通过对G级全幅图像（WSI）的分析大大提高了疾病检测和病理学家的效率。我们的研究揭示了特征提取模型和聚合模型超参数之间的相互依赖性，指出选择的超参数可能会使性能可比性产生偏差。通过对162个不同聚合模型配置的三个不同数据集上的七个特征提取模型的评估，我们提供了关于特征提取器和聚合模型之间关系的更细致的理解，从而使数字病理学中的特征提取模型能够获得更公正和准确的评估。
Nov, 2023
通过细化基础模型，仅经历两小时或三天的单个GPU训练，我们可以在计算病理学中的特征提取上相媲美或超越现有的方法，这表示即使资源有限，也可以针对特定下游任务和数据集训练一个定制的特征提取器。
Jan, 2024
我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。
Mar, 2024
本研究解决了数字病理学中基础模型泛化能力不足的问题，特别是针对特征聚类现象（WSI特定特征崩溃）。我们提出了一种新的模型，经过染色标准化处理，从而使模型学习到更一致的特征。实验结果显示，该模型在多个下游任务中显著减少了特征崩溃现象，提高了模型的效率和泛化能力。
Aug, 2024
本研究解决了基础病理模型在数字病理中的特征聚类问题，即WSI特定特征崩溃，这影响了模型的泛化能力和性能。作者提出的染色规范化病理基础模型通过对拼接区域进行染色规范化，显著提升了模型学习更一致特征的能力，实验证明该模型在多个下游任务中表现优异，表明其泛化能力得到了明显改善。