本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

Sep, 2021

通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

Jan, 2024

基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

Jan, 2022

使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测（SemiCOL）2023 挑战上，该方法在被部分标注的数据集上取得了.8655 的 Dice 分数（Arm 1）和.8515 的 Dice 分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的 AUROC 值。

Apr, 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

我们开发和验证了一个基于人工智能的 MSI-H 诊断模型，该模型在大规模真实世界的常规 H&E 标本中进行了泛化，并有效应用于外部染色和扫描样本以及独立验证队列，有潜力将前列腺癌患者引向免疫疗法，并鉴定 Lynch 综合征次要的 MSI-H 病例。

Oct, 2023

提出了一种跨模态注意力多模态融合管道，用于整合非小细胞肺癌（NSCLC）患者生存预测的特定模态知识，相较于单一模态的组合方法，在实验中取得了 c - 指数为 0.6587 的结果，展示了从不同模态融合中融入特定知识的能力。

Aug, 2023

利用病理图像和基因组学特征进行生存预测在癌症分析和预后中变得越来越重要。本文提出了一种多模态跨任务交互 (MCTI) 框架，用于探索亚型分类和生存分析任务之间的内在关联。通过利用亚型分类任务来捕捉病理图像中与肿瘤微环境相关的特征，在基因组特征提取中应用多头注意机制来自适应地执行基因分组，获得与任务相关的基因嵌入。通过病理图像和基因组数据的联合表示，我们进一步引入了一种运输引导注意 (TGA) 模块，利用最优传输理论来模拟亚型分类和生存分析任务之间的关联，有效地转移潜在信息。大量实验证明了我们方法的优越性，MCTI 在三个公共基准测试中表现优于现有的最先进框架。

Jun, 2024

通过动量对比学习补充卷积神经网络、传输学习提出的小块级别分类和患者级别聚合的模式，从而更精确的评估患者结直肠癌的微卫星稳定状态

Aug, 2022