本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了93.8%的准确性，97.3%的AUC和96.5/88.0%的敏感性/特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

Sep, 2019

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

本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020

通过对不同backbone的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的F1分数。

Mar, 2023

使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

Aug, 2023

深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。

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

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

本研究探讨了在组织病理图像分析中广泛应用的NCT-CRC-HE-100K结肠癌数据集，揭示了由于不当的颜色标准化和JPEG压缩伪影等问题，数据集结果可能受到特定偏差的影响。通过实验表明，简单模型的准确率可超过50%，而基础高效网络模型甚至能达到97.7%的准确率，显著超越了以往的方法，突显了数据集的潜在问题和研究的风险。

Sep, 2024