通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

Apr, 2015

本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在The Cancer Genome Atlas和PatchCamelyon数据集上进行了评估，显示出一定的潜力.

Apr, 2020

该论文研究了域特定预训练模型对神经胶质母细胞瘤分类的影响和应用性，通过考虑目前最先进的多实例学习模型，CLAM和TransMIL，并评估模型的置信度和预测性能，表明域特定预训练有助于提高模型置信度并实现WSI基础的神经胶质母细胞瘤亚型分类的最新最佳性能。

Feb, 2023

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023

小儿脑和脊髓癌是儿童癌症相关死亡的主要原因。通过临床决策支持，在小儿神经肿瘤学中利用收集的丰富放射学成像数据，与其他领域相比，然而显著滞后。因此，我们提供了一种多机构、大规模的小儿数据集，包括 23,101 个经过例行护理收集的多参数 MRI 检查，适用于 1,526 名脑肿瘤患者，作为儿童脑肿瘤网络的一部分。这包括对各种癌症诊断的纵向 MRI，以及相关的临床患者信息、数字病理学切片以及组织基因型和组学数据。通过连续构建这些成像存储库的努力，我们的目标是加速发现和翻译 AI 模型，并利用实际数据赋予儿童精准医学能力。

Oct, 2023

该研究使用多个特征提取器和聚合器，通过对脑瘤组织病理学进行多实例学习实验，为精确诊断和个体化治疗策略提供了更新的性能基准，包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取，并结合 DTFD 特征聚合器，该方法在三种脑胶质瘤亚型分类上分别在 IPD-Brain 和 TCGA-Brain 数据集上取得了88.08 和 95.81 的AUC值。此外，该研究通过H＆E染色全切片图像在IPD-Brain数据集上建立了基于分级和检测IHC分子生物标记物（IDH1（突变R132H），TP53，ATRX，Ki-67）的新基准，并突出了模型决策过程与病理学家诊断推理之间的显著相关性，强调了其模拟专业诊断程序的能力。

Feb, 2024

基于多尺度关注引导U-Net模型以及Swin Transformer的三维脑肿瘤分割方法的性能评估。

Mar, 2024

本研究针对儿童患者的弥漫性内在脑桥胶质瘤和弥漫性中线胶质瘤的分割难题，提出了一种改进的深度学习级联模型，通过自适应的nnU-Net方法精确实现脑肿瘤亚结构的分割。研究结果显示，新的方法在BraTS-PEDs 2024挑战中表现优异，显著提高了肿瘤分割的准确性和鲁棒性，具有重要的临床应用潜力。

Oct, 2024

本研究解决了数字病理学领域模型适应性不足的问题，提出了利用基础模型在大规模领域特定数据集上进行训练的方法。研究发现，基础模型在皮肤癌六个亚型预测方面表现优于使用ImageNet预训练的模型，具有显著的临床应用潜力。

Oct, 2024

本研究解决了儿童脑肿瘤分割的准确性问题，提出了一种基于深度学习的全新方法，该方法借鉴了专家放射科医师的分割策略。研究结果显示，所提模型在PED BraTS 2024和CBTN数据集的分割性能优于现有的最新模型，为儿童脑肿瘤的治疗反应评估和患者监测提供了更准确的支持。

Nov, 2024