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。

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。

通过在大规模无标签数据集上预训练潜在扩散模型（LDM），提出了一种名为HistoDiffusion的合成增强方法。然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型，以合成特定类别的图像。通过选择性机制只添加与目标标签匹配度较高的合成样本，HistoDiffusion增强使用少量原始标签，大幅提高了骨干分类器的分类准确率6.4%。