本研究提出了PATHS方法，通过层次化选择有效处理全切片图像分析中的无关信息，显著提升了肿瘤基因组图谱数据集的预测性能。

本研究提出了一种层次多实例学习框架，旨在解决细粒度全切片图像分类中的形态差异辨别问题，提升模型的区分能力，达到最新性能。

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。

基于深度学习的研究发现，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。

基于深度学习的研究发现，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。

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。