本文提出了一种在组织病理学图像中进行异常检测的系统，该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练，并用于药物毒性评估，结果优于已有的方法。

Oct, 2022

本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

Jan, 2022

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

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

该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

Mar, 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

人工智能在数字组织学图像中的自动信息提取已被证明可以改善病理诊断。然而，在正式使用前，需要评估其预测性能并获得监管机构的认可，而这需要恰当的测试数据集，本文总结了病理测试数据集的一般建议，旨在帮助人工智能开发者证明其产品的实用性，并帮助监管机构和最终用户验证所报导的性能指标。

Apr, 2022

本文介绍了数据分析方法、计算能力和传感器的结合，可实现定量细胞层面上的多尺度分析，着重论述了针对人类组织分析的一类 AI 方法 —— 组织病理学，旨在定量表征疾病状态、患者预后预测和治疗指导的应用挑战。

Jun, 2022

通过对前列腺癌组织的病理学图像进行分析，我们测试了一个名为 vPatho 的基于人工智能的数字病理学模型，结果表明它在前列腺癌的检测和肿瘤体积估算方面取得了可比较的性能，同时揭示了诸多影响肿瘤分级不一致性的因素。

Aug, 2023

大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

May, 2024