通过半自动化数据整理和引入病理学领域知识，我们扩展了数字病理学全幻灯片图像的基础模型的最新技术。我们的模型在公共和内部基准测试中表现良好，尽管使用的幻灯片数量比竞争模型少一个数量级。我们预计在更多数据和更大的模型规模下，我们的方法将进一步提高性能，并能够处理日益复杂的诊断和生物医学研究中的实际问题。

Jan, 2024

最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO 算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。

Oct, 2023

StainDiffuser 是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于 HE 的细胞分割。

Mar, 2024

使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

Sep, 2023

该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

Jul, 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

本文介绍了基于现代自监督学习算法的深度学习方法的最新进展，以及构建医学图像基础模型的相关工作。我们通过扩展性强的训练流程和综合分析不同超参数选择和训练技术，构建了一系列针对病理学图像的基础模型，并经过实验评估，在乳腺癌亚型分类和结肠癌核分割等不同任务上达到了最先进的性能水平。最后，为了统一领域内的评估方法并简化不同基础模型的比较，我们还提供了开源框架，用于在不同任务中一致评估病理学基础模型。

Mar, 2024

本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020

利用生成型人工智能技术进行虚拟染色的方法，通过使用一种基于 H&E 的编码器支持多种染色剂的解码器的设计，实现了从单张 H&E 切片生成 8 种不同染色的可扩展性，同时通过实时自检和质量检查来提高信任度和准确性，并开发了一种云端系统，方便实时用户反馈。

Jun, 2024

该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程（STAMP），使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段，并且注重作为一个合作框架，为临床医生和工程师在计算病理学领域开展研究项目提供支持。

Dec, 2023