该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

Sep, 2019

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

研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

May, 2023

我们提出了一种详尽的方法论，利用各种抽象级别，旨在增强图像分类对未被观察的医院的普遍性。我们的方法将基于增强的自我监督与组织病理学场景中的常见分布偏移作为先决任务相结合。通过这种方式，我们可以从训练图像中提取不依赖于训练标签的不变特征，从而覆盖不同的抽象级别。然后，我们使用领域对齐模块在不同训练医院之间进一步提取不变特征。为了表示参与医院的高度特定特征，我们训练一个编码器来对医院标签进行分类，而不考虑其诊断标签。每个编码器的特征随后被分解以最小化冗余并分离特征。这种表示涵盖了广泛的语义信息，使得我们的模型在面对来自不同分布的新出现的医院图像时表现出更高的鲁棒性。来自PACS数据集（一个领域泛化基准）、应用组织病理学特定扰动到MHIST数据集构建的合成数据集（定义了具有不同分布偏移的不同领域）和从TCGA的四个图像库派生的肾癌数据集的实验结果共同表明，我们提出的模型在管理不同级别图像粒度方面表现出了优越性。因此，当面临新的、来自分布不同的医院图像时，该模型显示出了更强的普适性。

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

本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Oct, 2023

我们提出了一种名为Prompt-driven Latent Domain Generalization（PLDG）的新型无标签领域通用化（DG）框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化，并在三个医学图像分类任务和一个去偏任务上展开了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统DG算法相媲美甚至更好的性能。

Jan, 2024

多实例学习（MIL）作为一种流行的方法正在用于对组织病理学全幅切片图像进行分类。作者提出了PAMT，这是一种新颖的基于提示的自适应模型转换框架，通过无缝地将预训练模型适应组织病理学数据的特点来提高MIL分类性能。作者引入了代表性补丁采样（RPS）和典型视觉提示（PVP）来重构输入数据，构建一个紧凑而且信息丰富的表示。此外，为了缩小域差异，作者在特征提取流水线中引入了适应性模型转换（AMT），使预训练模型能够学习特定领域的特征。作者在两个公开数据集Camelyon16和TCGA-NSCLC上对该方法进行了严格评估，展示了各种MIL模型的显著改进。作者的发现证实了PAMT在WSI分类中的潜力，强调了有针对性的重新编程方法的价值。

Mar, 2024

本研究解决了当前组织病理学领域视觉-语言模型在逐块独立分类中的不足，提出了一种新的传导方法，通过结合文本预测和块间的亲和关系来提升模型性能。实验表明，该方法在四个数据集上大幅提高了分类准确度，且高效地处理了大量数据，展示了其在无标签条件下的强大潜力。

Sep, 2024

本研究解决了计算病理学中深度学习模型在应用于未见数据时性能下降的问题，缺乏对领域泛化算法的系统评估。通过对30种领域泛化算法在3个不同难度的计算病理学任务上的7560次交叉验证进行基准测试，发现自监督学习和染色增强 consistently 超过其他方法，同时引入了新的全癌症肿瘤检测数据集（HISTOPANTUM）作为未来研究的基准。

Sep, 2024