通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

Dec, 2018

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

本论文提出了一种基于CNN的方法NuClick，可以快速收集核、细胞，以及腺体细胞等许多应用于计算机病理学/细胞学的计算机处理对象的注释，并提出了一种新的引导信号，使NuClick能够分割腺体的边界。在实验证明，NuClick能够适应不同的目标尺度，对用户输入的不同变化具有强大的鲁棒性，并且提供可靠的标注，对它标准产生的实例分割模型在LYON19挑战中获得了第一名。

May, 2020

本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的LMP1状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

Sep, 2022

本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

May, 2023

通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在19种类型的组织上具有广泛的适用性和较低的复杂性。

Aug, 2023

借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提出了一种改进基于DL的自动分割方法泛化能力的新方法，该方法利用一种最先进的基于DL的模型作为基准，并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明，与基线分割模型相比，提出的方法在基于Dice分数、聚合Jaccard指数和全景质量得分分割核实现方面分别提供了高达5.77％、5.36％和5.27％的性能改进。

Sep, 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

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