本文提出了PathAsst，一种生成式AI助手，利用了ChatGPT/GPT-4和Vicuna-13B语言模型与CLIP视觉编码器，对142K高质量病理图像文本对进行了训练。结果表明，利用这种AI模型可以改善病理诊断和治疗过程。

May, 2023

通过引入可训练的类别提示和病理编码器，本研究将Segment Anything Model（SAM）适应于数字病理学中的语义分割任务，进一步通过增加病理基础模型提高了SAM-Path在数字病理学中的语义分割能力，实验证明在两个公共病理学数据集上，可训练类别提示的微调方案在Dice得分上超过手动提示和后处理的SAM27.52％，在IOU得分上超过71.63％，而增加病理基础模型相对提升Dice得分5.07％至5.12％，IOU得分4.50％至8.48％。

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

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

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

利用自我监督学习(SSC)训练病理基础模型的应用在过去几年有了显著增长，公开提供了多个在大量临床数据上训练的模型，将极大地增强计算病理学的科研能力、弥合研究与临床应用的鸿沟。本研究提供了一个包含具有临床相关终点的病理学数据集合，其中包括与癌症诊断以及来自两个医疗中心标准医院运营期间生成的各种生物标记物相关的临床切片，利用这些数据集对公开的病理基础模型的性能进行系统评估，并提供培训新的基础模型和选择适当的预训练模型的最佳实践见解。

Jul, 2024

通过对10种聚合技术在9个临床相关任务中的全面测试分析，结果显示领域特定的基于自我监督学习的模型比基于ImageNet的模型在聚合方法方面表现更好，但空间感知的聚合器仅在使用基于ImageNet预训练模型时才显著提高性能。同时，没有单一模型在所有任务中表现优秀，空间感知模型也不如预期一般表现卓越，这些发现强调了对更具适应性和普适性的聚合技术的需求，以指导未来临床病理学中医学人工智能不断发展的需求。

Jul, 2024

本研究解决了当前病理基础模型在外部队列和临床相关任务中独立评估不足的问题。我们基准测试了十种组织病理基础模型在多个癌症患者的样本上的表现，发现CONCH模型在42%的任务中表现最佳，而融合多个互补基础模型在66%的任务中优于单一模型。研究结果强调数据多样性在模型性能提升中的重要性。

Aug, 2024

本研究解决了计算病理学中基础模型面对真实病理图像数据的变异性和分布偏移的鲁棒性问题。通过评估两种基础模型（UNI和CONCH）在前列腺癌分级模型中的应用，本文揭示了尽管这两种模型相对基线表现良好，但在某些情况下，绝对表现仍然不令人满意。这一发现突显了大规模和多样化数据集训练的基础模型在实际应用中的局限性。

Oct, 2024

本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。

Oct, 2024