本文介绍了一种基于图神经网络和DenseNet的方法，使用颜色选择和生成的样本patches并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在The Cancer Genome Atlas数据集上表现出了88.8%的准确率和0.89的AUC。

Apr, 2020

本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别WSI中的癌症区域。

Jun, 2023

最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

Oct, 2023

本文提出了一种改良位置嵌入的长上下文WSI方法，通过引入线性偏差来处理形状变化的大WSI，并将其从1维长序列适应到2维长上下文WSI中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决Transformer的计算复杂性问题，保持了全自注意力的性能。通过在4个数据集上进行WSI分类和生存预测任务的广泛实验证明了我们方法在形状变化的WSIs上的优越性。

Nov, 2023

GRASP是数字病理学中用于处理全幅数字切片图像（WSIs）的一种新型多放大率图结构框架，通过动态模拟病理学家处理WSIs的行为、受益于WSIs的层次结构以及引入基于收敛的节点聚合机制，表现出优秀的性能，同时具备解释性和稳定性，并提供了相关的理论基础和实证证据，推动数字病理学中的可解释、基于结构的设计发展。

Feb, 2024

我们提出了一种新颖的动态图表示算法，将组织病理学切片图像（WSIs）概念化为知识图结构的形式，通过动态构建邻居和带向边嵌入的头尾实例之间的关系，利用知识感知的注意机制更新头结点特征，然后通过全局池化过程获得图级嵌入，作为WSI分类的隐式表示。我们的端到端图表示学习方法在三个TCGA基准数据集和内部测试集上优于最先进的WSI分析方法。

Mar, 2024

通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在WSI数据集上具有优越性能，准确率提高1.0%-2.6%，在AUROC上提高0.7%-1.6%。

Mar, 2024

通过考虑幻灯片之间的互相关联性，我们提出了一个通用的WSI分析流水线SlideGCD，将现有的多实例学习方法作为骨干，并将WSI分类任务构建为节点分类问题。SlideGCD通过存储先前幻灯片嵌入来进行广泛基于幻灯片的图构建，并进行图学习来探索幻灯片之间的互相关联性，进而实现MIL分类器和图学习的两个并行工作流，并通过知识蒸馏将可区分信息传递给图神经网络。在两个TCGA基准数据集上观察到SlideGCD带来的一致性性能提升，超过了四种最先进的MIL方法。

Jul, 2024

本研究解决了现有幻灯片表征学习方法在临床和生物多样性方面的局限。通过引入多模态预训练策略Madeleine，该方法利用多标记染色的幻灯片形成丰富的无任务信号，从而提高学习的表征质量。研究结果表明，Madeleine在包括形态学分类和预后预测在内的多个下游任务上表现优异，具有广泛的临床应用潜力。

Aug, 2024

本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

Aug, 2024