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

本研究利用图扩散模型生成具有生物学意义的细胞图，并且展示了在肿瘤领域中评估癌症发展的生物标志物之一 —— 细胞三级淋巴结结构的分布。此外，我们还演示了学习得到的生成模型在细胞三级淋巴结结构分类任务中进行数据增强的实用性。据我们所知，这是首次利用图扩散模型生成有意义的生物细胞结构的工作。

Oct, 2023

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

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

淋巴细胞在组织病理学切片中的高效、准确量化对于肿瘤微环境和免疫治疗反应的表征至关重要。我们开发了一个基于数据的优化流程，利用现成的 YOLOv5 模型在不进行任何结构修改的情况下实现了出色的淋巴细胞检测性能。我们的工作依赖于策略性的数据集增强策略，包括新颖的生物上采样和定制的视觉连贯转换，针对组织图像的独特特性进行设计，从而大大提高了模型的性能。我们的优化揭示了一个关键的实现：在进行了密集定制化之后，标准的计算病理学模型可以实现高能力的生物标志物开发，而不增加架构复杂性。我们展示了这种方法在乳腺癌背景下的兴趣，证明我们的策略可以实现良好的淋巴细胞检测性能，引发了广泛的影响性的范式转变。此外，我们的数据整理技术提供了关键的组织学分析基准，突显了提高的通用潜力。

May, 2024

用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

Jun, 2019

我们的研究引入了一个自动化流程，该流程利用半随机补丁采样、补丁分类和 HoVer-Net 模型对肺癌患者中浸润肿瘤淋巴细胞（TILs）进行评估，从而实现对非小细胞肺癌（NSCLC）患者进行预后评估的过程的优化。该流程通过排除约 70％与预后不相关的区域，并使用仅剩下的 5％的补丁维持预后准确性（c 索引为 0.65+-0.01），在不降低预后准确性的情况下实现了计算效率，在患者存活方面与传统的 CD8 IHC 评分方法相比，该流程在 TILs 得分方面具有较强的相关性。然而，仍然需要全面的临床验证，未来的研究应着重验证其更广泛的临床实用性，并探索其他生物标志物以改善非小细胞肺癌的预后评估。

May, 2024

该论文应用半监督的师生知识蒸馏技术，使用 0.5% 的标记数据达到了与 100% 标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

Mar, 2020

该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

May, 2020

本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

Mar, 2017