本文介绍了一种用于病理全幻灯片图像分类的few-shot弱监督学习方法，提出了基于prompt learning和大型语言模型GPT-4的解决方案。

May, 2023

SAM模型为基础，通过SAM^{assist}和SAM^{auto}两个子模块，提出了SAM^{Med}框架，无需大量标记即可实现精准的医学图像分割。

Jul, 2023

通过引入可训练的类别提示和病理编码器，本研究将Segment Anything Model（SAM）适应于数字病理学中的语义分割任务，进一步通过增加病理基础模型提高了SAM-Path在数字病理学中的语义分割能力，实验证明在两个公共病理学数据集上，可训练类别提示的微调方案在Dice得分上超过手动提示和后处理的SAM27.52％，在IOU得分上超过71.63％，而增加病理基础模型相对提升Dice得分5.07％至5.12％，IOU得分4.50％至8.48％。

Jul, 2023

利用多模态视觉语言模型从图像描述和图像中捕捉语义信息，实现对多样化医学图像的分割，并评估其在医学领域的迁移性和基于生成提示的模型性能变化。

Aug, 2023

PathChat是一种通用的、视觉-语言人工智能助理，经过预训练的视觉编码器与预先训练的大规模语言模型相结合，可用于病理学的教育、研究和临床决策。

Dec, 2023

肿瘤分割是肿瘤诊断中的关键任务，本文研究了在组织学中应用全幻灯片图像进行肿瘤分割的深度学习方法，同时利用视觉提示的新范式在三个不同的器官中展示了与传统方法相比相当甚至更好的性能。

Feb, 2024

为解决基于预训练的病理基础模型到下游任务的适应性问题，提出了PathoTune，一种通过多模态提示调整将病理学或甚至视觉基础模型高效适应病理学任务的框架。在多个数据集的补丁级和WSI级别上，结果表明它的性能优于单模态提示调整方法，并且较简单的线性探测下成效更好。

Mar, 2024

在医学影像领域，现有的可提示分割方法主要考虑文本或视觉提示，但在处理医学图像中的异常情况（如肿瘤）时往往存在一些局限性，因为肿瘤在形状、大小和外观等方面可能存在很大的变异。为了解决医学场景的复杂性和文本或视觉提示的局限性，我们提出了一种新颖的双提示模式，利用视觉和文本提示的互补优势来分割各种器官和肿瘤。具体而言，我们引入了一种创新的模型CAT，它通过医学领域知识丰富的3D裁剪图像生成解剖提示，与富含医学领域知识的文本提示进行配合。该模型采用了基于查询的通用设计，其中提示查询有助于进行掩模预测的分割查询。为了在统一框架内协调两种类型的提示，我们实现了一个ShareRefiner，它同时改进了分割和提示查询，同时解耦了两种类型的提示。在由10个公共CT数据集组成的联合培训集上进行训练，CAT在多个分割任务中展现出卓越的性能。在一组特殊的内部数据集上进行的进一步验证显示了在多个癌症阶段分割肿瘤的显著能力。这种方法验证了协调多模式提示是解决医学领域复杂场景的一种有前途的途径。

Jun, 2024

利用大规模全扫描图像数据集和多模型协作的方法，生成高质量的图像-文本对，为病理学领域的 Vision Language Models 进行训练和指导调优，从而显著提高其分析病理图像的能力，并为下一代通用病理模型铺平了道路。

Jun, 2024

本研究解决了病理图像分析中标注数据稀缺的问题，提出了一种结合类激活图和基于“分段任何事物”模型的伪标注的弱监督语义分割（WSSS）模型。该方法在乳腺癌数据集上表现优异，仅需12GB GPU内存，展示了其在医学图像处理中的潜在影响和效率。

Oct, 2024