我们提出了一种新的基于异构图的框架，利用细胞核的不同类型之间的相互关系进行 WSI 分析。通过将 WSI 建模为一个具有 “核型” 属性和语义相似性属性的异构图，采用新的异构图边属性转换器 (HEAT) 和基于伪标签的语义一致汇聚机制来获得图层特征，并采用因果驱动的方法来解决现有关联定位方法的局限性。大量实验证明，在各种任务上，我们的框架相比于现有方法具有显著的优势。

Jul, 2023

本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

Apr, 2020

本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症区域。

Jun, 2023

通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在 WSI 数据集上具有优越性能，准确率提高 1.0%-2.6%，在 AUROC 上提高 0.7%-1.6%。

Mar, 2024

本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

Jun, 2023

本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

Oct, 2023

提出了一个名为 MUSTANG 的多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，该任务只具备患者级别标签但没有幻灯片级别标签或区域注释，利用稀疏的 k 最近邻图和欧几里得距离进行操作限制，取得了 0.89/0.92 的 F1 得分 / 曲线下面积，优于广泛使用的 CLAM 模型。

Sep, 2023

GRASP 是数字病理学中用于处理全幅数字切片图像（WSIs）的一种新型多放大率图结构框架，通过动态模拟病理学家处理 WSIs 的行为、受益于 WSIs 的层次结构以及引入基于收敛的节点聚合机制，表现出优秀的性能，同时具备解释性和稳定性，并提供了相关的理论基础和实证证据，推动数字病理学中的可解释、基于结构的设计发展。

Feb, 2024

提出了一种新颖的基于嵌入的双查询多示例学习（DQ-MIL）流水线，使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合，该方法在三个组织学数据集中实现了较高的性能。

Jul, 2023

应对医学影像中的对抗性挑战，我们提出了一种基于深度学习模型和图像处理的方法，通过利用整个切片图像的图像和图形级特征提取，加上去噪和汇聚层来提高癌症诊断准确性。在对比分析中，结果显示该方法显著提高了癌症诊断准确性，凸显了其在处理对抗性挑战中的鲁棒性和效率。

Mar, 2024