通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

Aug, 2023

该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。

Oct, 2023

使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

Apr, 2024

通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

Sep, 2023

该研究提出了一种集成方法，结合 HER2 表达的多分类，从乳腺癌组织病理切片图像中诊断乳腺癌，通过与现有模型的比较，该方法取得了 97.12% 的准确率，并有显著改进。

Aug, 2023

通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

Apr, 2024

本研究使用 VGG19 模型进行三种可视化方法操作，包括 Gradient、LRP Z 和 LRP Epsilon，与三种像素选择方法操作，包括 Bins、K-means 和 MeanShift，以对恶性和良性的组织学图像进行分类，并比较所得到的感兴趣区域与病理学家的独立标注的结果，结果表明，Gradient 可视化方法和 MeanShift 像素选择方法可满足图像可视化的需要。

May, 2023

利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

Apr, 2023

通过使用点变换器与联邦学习方法对多地点 HER2 状态进行预测，我们提出了两个新的设计：动态标签分布策略和辅助分类器，它们有助于建立可初始化的模型和减轻不同地点标签分布的变化；此外，我们还提出了基于余弦距离的最远余弦采样，能够选择最具特色的特征并捕捉长程依赖关系。广泛的实验和分析表明，我们的方法在 4 个地点的 2687 个 WSIs 上实现了最先进的性能，并且我们证明了我们的模型可以泛化到两个未见过的地点，共 229 个 WSIs。

Dec, 2023

提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

Mar, 2019