本研究提出了一种基于YOLOv9和视觉变换器的自动化碎片计数方法，旨在解决数字病理中医疗图像质量控制的人工计数问题。该系统的准确率达到86%，有望在病理工作流程中得到应用。

本研究提出了一种新型视觉基础模型，旨在提升数字病理领域的模型性能。该模型在120万张组织病理图像上进行训练，并在21个基准数据集上取得优异表现，展现出显著的应用潜力。

本研究提出HistoEncoder方法，通过对4800万张前列腺组织图块进行预训练，提升前列腺癌数字病理特征提取的准确性，显著提高自动注释精度，并增强生存预估能力。

本研究利用数字病理图像和深度学习模型，提高乳腺癌筛查和风险评估的准确性。通过多模态神经网络和新型特征相关模型，显著提升乳腺癌检测性能，强调多模态成像在癌症诊断中的重要性，并探讨了深度学习在乳腺癌成像中的应用及未来挑战。