本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

Dec, 2019

本文通过引入局部统计批量规范化（BN）层，提出了一种新的联邦学习方法，使得深度学习架构能够进行协作训练，但同时具有针对多中心数据异质性的鲁棒性和不共享中心特定层激活统计信息以降低信息泄漏风险的能力。此方法在 Camelyon16 和 Camelyon17 数据集的肿瘤组织学图像块分类中表现出较好的传输学习效果，相对于之前现有技术并有很大的优势。

Aug, 2020

本文综述了联邦学习在医学图像分析中的最新发展，介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机，分类总结了现有的联邦学习方法，并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

Jun, 2023

利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

Oct, 2023

建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

Oct, 2023

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

利用Federated Data Model (FDM)方法开发了一种能够在不同地点之间训练准确且注重隐私的人工智能模型的方法，通过扩散模型学习一处地点的数据特征，并生成可用于其他地点的合成数据，成功地应用于医学图像分割任务。

Mar, 2024

本论文提出了一种基于联邦学习的隐私保护医学图像分类框架(FedMIC)，通过全局和局部知识使医疗组织从私有数据中获得定制模型，同时减少通信开销和提高效率，提高在资源受限条件下的稳健性和实际适用性。通过使用四个公共医学图像数据集展示了FedMIC的有效性。

Jul, 2024

本研究解决了组织病理图像分析中对大规模数据集的依赖问题，提出了一种新颖的数据集蒸馏算法Histo-DD，结合了染色标准化和模型增强。实验结果表明，Histo-DD生成的合成样本能有效保留区分性信息，显著降低训练成本，并具有体系结构无关的特性，展示了合成样本在替代大规模数据集方面的潜力。

Aug, 2024

本研究解决了病理图像分类中对大规模多样化数据集的需求，旨在通过生成模型和图像选择方法生成符合类别标签的真实合成图像补丁。通过对PCam数据集的实验，我们发现扩散模型适用于迁移学习，而GAN生成的样本更适合数据增强，验证了合成图像在提高病理图像分类任务性能中的有效性。

Sep, 2024