开发和验证一个基于深度学习的诊断模型，结合不确定性估计，以便帮助放射科医生基于 CT 图像在术前区分肾细胞癌（RCC）的病理亚型。

Nov, 2023

基于大型模型的图像分割和语义检索，构建了一个检索系统，通过文本描述来检索肾脏病理图像。

May, 2024

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

通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

Jul, 2023

该研究介绍了一种用于非对比度计算机断层扫描 (Non-contrast computed tomography, NCCT) 中肾癌检测的自动化流程，通过测试三种检测模型：形状模型、二维及三维轴向样本模型，从开放数据源和剑桥大学医院收集训练和测试数据，结果显示二维轴向样本模型在小于等于 40mm 直径肿瘤的检测中具有最高的曲线下面积 (Area Under the Curve, AUC) 达到 0.804；该流程在未知测试数据上对小型肾癌实现了 61.9% 的敏感性和 92.7% 的特异性。该流程比以往自动检测 NCCT 中小型肾癌的尝试更为准确，为肾癌筛查提供了有希望的突破。

Nov, 2023

本研究创建了一个包含 25,000 张医学图像的数据集（LC25000），包括多种组织病理类型，为机器学习和人工智能领域的研究提供了一个可用的数据资源。

Dec, 2019

本文提出了一种基于实例技术的 Vision Transformer 模型来更精细地分类 papillary renal cell carcinoma 组织切片，通过提取更细的特征来捕捉细胞和细胞层级别方面的特征，并在实验中表现出比现有 CNN 模型更好的性能。

Jun, 2021

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

May, 2023