该论文介绍了使用知识蒸馏来提高 Vision Transformers 在传统医学图像处理中对空气泡识别任务的分类性能，以检测 Whole Slide Images 上的伪影，提高了细胞病理学自动诊断系统中的预处理管道的效率。

May, 2023

提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度评估方面与病理学家的评估结果具有 97% 的强相关性，而且该系统在异构数据集上表现出良好的鲁棒性，并且与自动分析系统集成后可以得到实际的应用性。

Jan, 2024

使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

Sep, 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

通过使用 ArtiFusion 进行逐渐去噪的过程，该研究提出了一种新的组织学图像去伪存真的方法，该方法能够成功地恢复失真区域外的真实组织结构和染色样式。

Jul, 2023

数字化组织切片和人工智能，特别是深度学习的快速进展，推动了计算病理学领域的发展。这篇综述总结了计算病理学领域近期的方法学进展，重点介绍了这些发展如何使临床实践自动化，并可发现新的生物标志物。作者还提供了未来展望，指出该领域将扩展到更广泛的临床和研究任务，并涉及越来越多样化的临床数据模态。

Dec, 2023

本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

Nov, 2019

本文提出了一种利用胶囊网络进行基于弱监督语义分割 (WSSS) 的新型组织病理学图像分析方法，并使用数字病理学图谱 (ADP) 数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度 (mIoU) 指标方面优于传统方法，凸显了胶囊网络在增强组织病理学图像分析的精度和效率方面的潜力。

Feb, 2024

本研究提出了一种方法，通过外部库生成和混合艺术品，从而增强给定的组织病理学数据集，以训练艺术品分类方法，从而解决了整个幻灯片图像获取中的伪影问题。

Jun, 2024

该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程（STAMP），使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段，并且注重作为一个合作框架，为临床医生和工程师在计算病理学领域开展研究项目提供支持。

Dec, 2023