- 统一建模增强的精准神经肿瘤多模态学习
通过使用一种层次化注意结构，我们介绍了一种统一建模增强多模态学习（UMEML）框架，该框架整合了组织学图像和基因组学，以在显微镜级别和分子级别上实现对肿瘤的精确治疗，并通过利用两种模态的共享和互补特征有效地进行建模。
- 跨模型扩散建模用于高分辨率空间转录组学
使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。
- 组织学图像中与癌相关的淋巴细胞聚集的指南：手动和基于深度学习的定量方法
使用深度学习算法 HookNet-TLS 对组织样本中的淋巴聚集及生发中心进行自动化与客观化定量，提供了使用人工标记图像训练和实施该算法的指南。
- 释放基于提示驱动的核实例分割的力量
本研究提出了一种新颖的基于提示的框架，包括一个点提示器和一个用于自动核实例分割的段装置模型。通过学习为每个细胞核生成唯一的点提示，并将段装置模型微调为输出相应的细胞核掩模，我们的方法在三个具有挑战性的基准测试上取得了最新的性能。
- 人工智能在前列腺癌病理学中作为病理学家数字化复制品的关键评估
通过对前列腺癌组织的病理学图像进行分析，我们测试了一个名为 vPatho 的基于人工智能的数字病理学模型，结果表明它在前列腺癌的检测和肿瘤体积估算方面取得了可比较的性能，同时揭示了诸多影响肿瘤分级不一致性的因素。
- 多尺度注意力多实例学习用于多千兆像素组织学图像分类
本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。
- 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用
介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。
- 基于弱监督的组织学图像腺体分割的在线易例挖掘
提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使 - 评估病理学 AI 解决方案的测试数据集建议
人工智能在数字组织学图像中的自动信息提取已被证明可以改善病理诊断。然而，在正式使用前，需要评估其预测性能并获得监管机构的认可，而这需要恰当的测试数据集，本文总结了病理测试数据集的一般建议，旨在帮助人工智能开发者证明其产品的实用性，并帮助监管 - 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测
本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 - 半监督腺体分割的配对关系学习
在组织学图像计算辅助诊断中，准确自动地分割腺体是重要且具有挑战性的任务。本文提出了一种基于成对关系的半监督模型，用于组织学图像中的腺体分割。该模型利用标记数据训练分割网络和成对关系网络，并通过成对图像中的语义一致性增强其图像表示能力。模型中 - ICCVCGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络
使用细胞图卷积神经网络（CGC-Net）将大肠癌组织学图像转化为图形，并采用 Adaptive GraphSage 技术融合不同层级的特征，以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越，描述新型的 CRC 分级方法。
- DCAN: 深度轮廓感知网络用于准确的腺体分割
本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑