本研究使用稀疏编码对TCR蛋白序列进行多类别分类以在癌症研究和其他相关领域中分析TCR蛋白序列，结果实现了99.8％的准确率，并突显了稀疏编码在肿瘤治疗中的潜力。

Apr, 2023

本文通过引入WBC显微图像的综合标注，解释了XAI在医学领域中的重要性和对基于图像的WBC细胞识别技术的提升，进一步促进了病理和血液学领域的发展。

Jun, 2023

我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，对疾病生物标记物敏感并在ALL IDB1上实现96.15%的准确率、94.24%的F1分数、97.56%的敏感度和90.91%的特异性，该方法还在一个具有挑战性的数据集上表现良好，并且我们的模型是用相对较小的数据集训练的，突显了我们方法在其他具有有限数据可用性的医学数据集中的潜力。

Jul, 2023

血液病学中，计算模型具有显著的潜力，以提高诊断准确性、简化工作流程，并减少分析外周血细胞或骨髓涂片中的单个细胞的乏味工作。为解决大数据量效应不明显、数据集规模小以及从自然图像转移学习性能差的问题，我们介绍DinoBloom，这是血液病学中首个基于单个细胞图像的基础模型，利用了定制的DINOv2流程。我们的模型基于13个多样化的公开数据集构建而成，包含了迄今为止最大的血液病学开源队列，包括超过380,000个白细胞图像的外周血和骨髓涂片。我们评估其泛化能力时，使用具有挑战性的域转移的外部数据集进行测试。我们展示了我们的模型在血液和骨髓涂片的细胞类型分类方面，在线性探测和K近邻评估，以及通过弱监督多实例学习对急性髓系白血病亚型进行分类方面，都优于现有的医学和非医学视觉模型。DinoBloom系列模型（small、base、large和giant）可以适应各种下游应用，并成为分类问题的一个强有力的基线，同时有助于评估新数据集中的大数据批次效应。所有模型均可在github.com/marrlab/DinoBloom上获取。

Apr, 2024

提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

May, 2024

通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用U-Net模型进行血细胞分割，并应用BloodCell-Net方法对血细胞进行分类，实现了令人印象深刻的性能指标。

Apr, 2024

新提出SCKansformer模型在骨髓血液细胞方面具有更高的分类准确性和效率，超过传统和先进的微细胞分类方法。

Jun, 2024

本文针对血细胞分类的准确性问题，提出了一种新颖的BC-SAM方法，该方法结合了Segment Anything Model的基础模型和LoRA微调技术，以提取血细胞图像的通用特征。通过引入无监督跨域自编码器，BC-SAM不仅学习内在特征，还有效抑制图像中的伪影，实验证明在两个公开数据集上超越了现有的最先进技术，展示了显著的改善潜力。

Aug, 2024

本研究解决了血细胞分类中因实验室程序和环境变化导致的模型泛化性能下降问题。提出了一种新的领域不变表示学习框架，利用Segment Anything模型提取无监督的领域不变表示，显著改善了跨领域分类性能。实验结果表明，该框架在多个数据集上超越现有方法，具有重要的潜在影响。

Aug, 2024

本研究解决了传统显微镜下手动白细胞计数和形态评估所面临的时间和精确性挑战，提出了优化的耦合变换器卷积网络（CoTCoNet）框架，通过深度卷积网络结合变换器有效捕获血液特征。此外，框架通过图形特征重构和人口基础的元启发式算法，展示了其在白血病分类中的卓越表现，验证结果显示其准确率和F1分数均接近0.99，超越了现有的最先进方法。

Oct, 2024