通过自我监督学习和大规模临床病理数据集的预训练，训练了视觉基础模型，提高了下游任务的性能。DINO算法在所有测试任务中表现出更好的泛化性能，标志着计算病理学研究的一个阶段性变化。

通过自我监督学习和大规模无标签数据集，训练了视觉基础模型，用于临床病理数据集的预训练和下游性能评估。病理数据的预训练对下游性能有益，DINO算法在测试任务中表现更好。计算病理学研究迎来了新时代。

研究人员通过使用大规模无标签数据集训练视觉基础模型，在自我监督学习方面取得突破。预训练于临床病理数据集上可提高下游任务性能。DINO算法在测试任务中表现出更好的泛化性能，为计算病理学研究开辟新时代。

通过自我监督学习和大规模无标签数据集，成功训练了视觉基础模型，并在临床病理数据集上进行了预训练和下游性能评估。结果显示，病理数据的预训练对下游性能有益，DINO算法在所有测试任务中表现更好。这标志着计算病理学研究的一个阶段性变化，为更高性能模型的大规模、并行预训练开辟了新时代。

自我监督学习在使用无标签数据集训练视觉模型方面取得突破。通过在临床病理数据集上进行预训练和下游性能评估，对自我监督学习算法进行基准测试。结果显示，病理数据的预训练对下游性能有益，并且DINO算法在所有测试任务中表现更好。计算病理学研究迈入新时代。

该项目旨在训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，DINO算法在所有测试任务中实现了更好的泛化性能，标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。