本研究提出MMLNB模型，结合病理图像与文本描述，解决神经母细胞瘤亚型分类中的诊断不一致性和主观性问题。实验结果表明，该模型的分类精度优于单模态模型，推动了数字病理学的发展。

本研究提出了一种深度多模态学习框架，结合组织病理图像和基因表达数据，以提高乳腺癌亚型分类的准确性，为临床决策提供更可靠的信息。

本研究提出了一种自监督训练策略，以提高肾细胞癌亚型分类的效率，解决因早期症状不明显导致的诊断延误问题，推动计算机辅助诊断工具的发展。

该研究提出了多种基于深度学习的医学图像分类方法，专注于肿瘤检测和亚型分类。通过无监督学习、数据增强和比例估计等技术，显著提升了分类性能和准确性，尤其在WSI图像分析中表现突出。