提出了一个全局利用WSI的Hierarchical Attention-Guided Multiple Instance Learning框架，该框架动态地、全面地发现了WSIs的多个分辨率上的显著区域，同时使用Integrated Attention Transformer（由多个Integrated Attention Modules组成）进一步提高了transformer的性能，实验表明，该方法在多个数据集上取得了最先进的表现。

Jan, 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

利用深度学习对高分辨率组织病理学全幻灯片图像进行建模，提出一种适用于模型解读的方法，Wsi rEgion sElection aPproach (WEEP)，该方法能够准确确定用于预测特定标签所需的WSI空间范围，并且在乳腺癌计算病理学领域的二分类任务中进行了演示。

Mar, 2024

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

该研究提出了一种轻量级的病理学FM，即PLUTO，它在多个病理学尺度上从多个WSI中抽取有意义的表示，以支持多样化的病理学任务，包括实例分割、瓦片分类和幻灯片级别预测，并通过在多个基于生物的任务、组织类型、分辨率、染色和扫描仪的外部和内部基准测试中的表现，证明PLUTO相当于或优于现有的基线和基础模型。该研究为病理图像分析提供了通用嵌入的发展方向，并促进进一步探索病理学基础模型在数据多样性、架构改进、样本效率和实际应用中的可行性方面。

May, 2024

通过对10种聚合技术在9个临床相关任务中的全面测试分析，结果显示领域特定的基于自我监督学习的模型比基于ImageNet的模型在聚合方法方面表现更好，但空间感知的聚合器仅在使用基于ImageNet预训练模型时才显著提高性能。同时，没有单一模型在所有任务中表现优秀，空间感知模型也不如预期一般表现卓越，这些发现强调了对更具适应性和普适性的聚合技术的需求，以指导未来临床病理学中医学人工智能不断发展的需求。

Jul, 2024

本研究解决了数字病理学中基础模型泛化能力不足的问题，特别是针对特征聚类现象（WSI特定特征崩溃）。我们提出了一种新的模型，经过染色标准化处理，从而使模型学习到更一致的特征。实验结果显示，该模型在多个下游任务中显著减少了特征崩溃现象，提高了模型的效率和泛化能力。

Aug, 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

本研究解决了当前组织病理学全幻灯片图像分析中忽视幻灯片之间可能的相互关系的问题。提出的SlideGCD模型通过引入幻灯片间的关联性，提升了现有多实例学习框架的性能，验证了在癌症分型、分期、存活预测和基因突变预测等任务中的有效性和鲁棒性。

Oct, 2024

本研究针对现有病理全切片图像分析中缺乏高质量像素级注释的问题，提出了一种名为PathTree的层次病理图像分类方法。该方法利用专业病理文本描述构建了一个二叉树结构，通过引导聚合层次多重表示，显著提升了对复杂病理任务的分类性能，并在多个挑战性数据集上展示了其优越性。

Nov, 2024