数字病理学中的深度学习为病理分析带来了智能和自动化的提升，但图像损坏使得深度神经网络模型难以在临床诊断中获得稳定的诊断结果。研究人员提出了一种名为OmniCE的全覆盖损坏仿真方法，并构建了三个基准数据集，评估了深度神经网络在分类和分割任务中的鲁棒性。使用OmniCE损坏的数据集作为训练和实验的增强数据，可以显著提高模型的泛化能力。

自监督学习研究发现，分布变化和图像损坏会降低学习表示的鲁棒性。需要寻找有效策略减轻不利影响。