使用卷积神经网络分析乳腺癌患者的肿瘤相关基质来诊断，该系统在处理了646例乳腺组织活检标本后被证明具有较强的诊断能力，达到了0.92的ROC曲线下面积。

Feb, 2017

本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估Tumor-TIL空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。

May, 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

该论文中介绍了一种利用深度学习方法对人体组织进行皮肤肌炎活检的细胞自动分类和分割的方法，在细胞分类和分割方面的表现均有所提升，该方法对研究自身免疫性疾病的细胞组成有着可靠的应用前景。

Jul, 2022

通过提出一种弱监督分割网络，本研究旨在通过少样本学习的方式检测胰腺病理图像上的淋巴结密度结构（TLSs），并在两个收集的数据集上的实验结果表明，该方法在TLSs检测准确性方面显著优于最先进的基于分割的算法。

Jul, 2023

利用H&E染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理H&E染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML的可解释模型在有限量的H&E染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越8个淋巴瘤亚型的670个病例的危地马拉数据集上胜过黑匣子深度学习。通过SHapley Additive exPlanation (SHAP)分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对DLBCL（F1得分：78.7%）和典型霍奇金淋巴瘤（F1得分：74.5%）最具鉴别性。最后，我们首次证明了将H&E染色组织特征与标准化的6种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与46种免疫染色特征的模型（86.1%）。

Nov, 2023

使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

Nov, 2023

研究中以病理性淋巴结划分为关键，探讨了MICCAI 2023淋巴结定量挑战赛中弱监督学习、深度学习模型以及分割性能的相关内容。

Jun, 2024

本研究解决了手动标注大量淋巴结所需的劳动密集和时间消耗的问题，提出了一种新的弱监督淋巴结分割方法。通过利用预训练的双支网络和动态混合伪标签，本研究实现了对未标注淋巴结的有效分割，实验结果显示，与传统方法相比，Dice相似系数显著提高，表明该方法在肿瘤进展评估中具有重要应用潜力。

Aug, 2024

本研究解决了传统免疫组织化学染色方法在检测三级淋巴结构(TLSs)中的局限，提出了一种新颖的掩膜引导对抗转移学习方法，用于虚拟病理染色。研究表明，VIPA-Net显著提高了在H

Aug, 2024