本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

Nov, 2019

本研究提出了一种基于生物通路令牌和组织学图像令牌的转换器模型，结合了WSI和大量转录组学数据，具有作为细胞功能解释单位的前瞻性，并在肿瘤患者生存预测方面取得了最佳效果。

Apr, 2023

该研究提出了一种在VAE潜在空间中使用动态时间扭曲(DTW)进行多模式病理图像搜索的方法，并将其馈送到排名选择投票方案中，以检索与查询H&E幻灯片最相似的多重免疫荧光成像(mIF)。通过训练VAE和应用DTW，我们对齐并比较mIF和H&E幻灯片，从而融合了形态学H&E数据和来自mIF的免疫表型，从而提供了丰富的疾病状态视角，可能 彻底改变诊断过程，提高精度并实现个性化治疗选择的能力。

Jun, 2023

我们提出了一种详尽的方法论，利用各种抽象级别，旨在增强图像分类对未被观察的医院的普遍性。我们的方法将基于增强的自我监督与组织病理学场景中的常见分布偏移作为先决任务相结合。通过这种方式，我们可以从训练图像中提取不依赖于训练标签的不变特征，从而覆盖不同的抽象级别。然后，我们使用领域对齐模块在不同训练医院之间进一步提取不变特征。为了表示参与医院的高度特定特征，我们训练一个编码器来对医院标签进行分类，而不考虑其诊断标签。每个编码器的特征随后被分解以最小化冗余并分离特征。这种表示涵盖了广泛的语义信息，使得我们的模型在面对来自不同分布的新出现的医院图像时表现出更高的鲁棒性。来自PACS数据集（一个领域泛化基准）、应用组织病理学特定扰动到MHIST数据集构建的合成数据集（定义了具有不同分布偏移的不同领域）和从TCGA的四个图像库派生的肾癌数据集的实验结果共同表明，我们提出的模型在管理不同级别图像粒度方面表现出了优越性。因此，当面临新的、来自分布不同的医院图像时，该模型显示出了更强的普适性。

Aug, 2023

使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

Aug, 2023

该研究提出了一种基因诱导的多模态预训练（GiMP）框架，通过整合基因组学和全面切片图像（WSIs）进行分类任务，处理了多模态图像组合分类的主要挑战，并实现了99.47%的准确率。

Sep, 2023

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性/特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

本综述研究使用多模态数据和强调可解释性以提高乳腺癌的诊断准确度、医生信心和患者参与度，最终促进更个体化的治疗策略，并指出多模态性和可解释性方面的研究空白，引导未来研究并为该领域的战略发展作出贡献。

Jun, 2024

本文解决了在对大型幻灯片图像进行分类时，由于缺乏标记数据而导致的效率和准确性问题。提出的PreMix方法通过批内幻灯片混合的预训练框架，显著提升了弱监督多实例学习的效果，实验证明在Camelyon16数据集中平均提高了4.7%的性能。此研究为在资源有限的情况下提高组织病理学数据的分类效率提供了新的途径。

Aug, 2024

本研究解决了现有多模态模型的黑箱问题，提出了一个名为SHAP-CAT的可解释多模态框架，通过Shapley值的降维技术实现有效的多模态融合。实验结果表明，该框架在不同数据集上的准确率显著提升，最高可达11%。

Oct, 2024