本文提出了一种数字病理学搜索引擎 Yottixel，它能够以紧凑的方式代表全切片图像，并使用“条形码组合”（BoB）的算法进行智能编码以实现在大型档案中快速准确地搜索病例。测试结果表明，Yottixel 可以精确地检索器官和恶性肿瘤，并显示其语义排序与人类观察者的主观评估具有很好的一致性。

Nov, 2019

提出了MI-Zero框架，它将对比可视语言预训练模型的零射频转换重构为多实例学习，以在吉盘组织学全幻灯片图像上释放其零射频转换能力，从而在预先训练的编码器不需要任何额外的标签的情况下进行多个下游诊断任务。

Jun, 2023

本文通过调查三款最先进的组织病理学幻灯片搜索引擎，对三种实体肿瘤患者的搜索和提取进行了临床评估，发现当前搜索引擎在识别病理学上仍存在困难，因此提出了一些最小化的要求，旨在进一步促进准确和可靠的医学组织病理学图像搜索引擎的发展。

Jun, 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

在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。

Jan, 2024

使用Virchow瓷砖嵌入和临床报告文本进行预训练的PRISM为H&E染色组织病理学提供了幻灯片级基础模型，能够生成临床报告，并通过线性分类器实现针对癌症检测、亚型识别和生物标志物预测等任务的高性能表现。

May, 2024

基于 BLIP-2 框架，使用病理报告中的精选文本与整张切片图像配对，开发了一种视觉语言模型，实现了共享的图像-文本嵌入空间，如文本或图像检索以寻找感兴趣的案例，以及将 WSI 编码器与冻结的大型语言模型（LLM）集成，以实现基于 WSI 的生成文本能力，如报告生成或 AI 交互。在超过 35 万张 WSI 和诊断文本配对的去标识化数据集上，展示了病理医师对文本生成和文本检索的评估，以及 WSI 分类和工作流程优先级排序（切片级别的分流）。平均来说，根据病理医师的评估，78％的 WSI 的模型生成的文本准确无误、没有临床上显著的错误或遗漏。这项工作展示了语言与 WSI 嵌入相结合的激动人心的潜力能力。

Jun, 2024

本研究解决了当前组织病理学领域视觉-语言模型在逐块独立分类中的不足，提出了一种新的传导方法，通过结合文本预测和块间的亲和关系来提升模型性能。实验表明，该方法在四个数据集上大幅提高了分类准确度，且高效地处理了大量数据，展示了其在无标签条件下的强大潜力。

Sep, 2024

本文解决了病理图像检索中的零样本问题，通过测试最新的基础模型进行全幻灯片图像检索。关键发现表明，尽管取得了一定的F1评分结果，但整体性能仍较低，显示出该方法在实际应用中的局限性，为未来的改进提供了重要参考。

Sep, 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