本研究提出WSI-LLaVA框架，旨在提升多模态大语言模型在全切片图像分析中的表现。通过三阶段训练和WSI-Bench基准，该框架显著提高了对形态特征的理解和诊断准确性，实验结果表明其在形态分析方面优于现有模型。

本研究提出了PATHS方法，旨在有效分析全切片图像（WSIs），通过模仿人类病理学家的检查方式，显著提升了肿瘤基因组图谱数据集上的幻灯片级预测性能。即使处理少量幻灯片，仍优于以往技术。

本研究提出了双分支编码器与双层对齐框架（DETA），有效解决了来自不同医院的全切片图像在生存分析中的域间差异问题。该框架通过图表示和对齐策略，显著减小了特征和类别分布差异，首次有效应对WSI数据分析中的域转移问题，实验结果显示其在生存分析中的优越性能。

本研究提出了一种层次多实例学习（HMIL）框架，旨在提高细粒度全切片图像分类的准确性。通过引入类级注意机制和监督对比学习，增强了模型的区分能力，取得了最新的性能表现，对精准肿瘤学具有重要意义。

本研究提出了一种实用的全切片图像肾小球分割方法，通过拼接重叠贴片提高检测覆盖率。实验结果表明，该方法在两个大型数据集上超越了以往技术，树立了新基准。

本文提出了多种基于多实例学习（MIL）的方法，以提高全切片图像（WSI）分析的准确性和可解释性。研究涵盖自解释MIL、属性驱动MIL和FocusMIL等框架，均在癌症检测和分类任务中表现出色，推动了数字病理学的发展。

本文探讨了多实例学习（MIL）在全切片图像（WSI）分类中的应用，提出了虚拟伪包、基于注意力的框架和自适应伪包增强等创新方法，显著提高了分类准确性和模型训练效率。这些方法在多个数据集上表现优异，展示了MIL在病理学中的潜力。

基于深度学习的计算病理学研究表明，利用全切片图像（WSIs）可以有效预测癌症患者的预后。提出的互相引导的跨模态转换器（MGCT）结合组织学和基因组特征，显著优于现有方法。多项研究展示了多模态学习在癌症存活预测和医学图像分析中的潜力，特别是在肿瘤分割和放射学报告生成方面。

本文提出了一种基于异构图的框架，用于全切片图像分析，利用细胞核之间的相互关系。通过图卷积网络和自监督学习，显著提高了肿瘤诊断的准确性。实验结果表明，该方法在肺癌、肾癌和前列腺癌的分类任务中表现优异，具有良好的可解释性和鲁棒性。

基于深度学习的计算病理学研究发现，利用全切片图像预测癌症患者预后效果显著。提出了一种基于注意机制的多模态学习框架，可以建模肿瘤微环境内的基因型-表型相互作用。实验结果表明该方法优于现有最先进方法。