商汤医疗在中华医学会病理学年会上展示了智慧病理综合解决方案，强调AI在病理诊断中的应用与临床融合，提升诊断效率，推动精准医疗发展。

本研究针对数字病理学中多实例学习（MIL）方法的表现差异进行了探讨，强调了基于实例的方法与基于嵌入的方法。在大量实验中，研究表明，利用良好的自监督学习特征提取器，简单的基于实例的MIL方法能够达到与复杂的最先进的嵌入方法相当或更好的性能，同时更具可解释性和临床应用价值。研究结果提示，应更加关注适合WSI的自监督学习方法。

本研究提出CLERIC，一种针对全切片图像的新型深度学习图像压缩框架，旨在提高数字病理学图像的存储、传输和可视化效率，同时保留重要的病理细节。实验结果表明，CLERIC在压缩效率和图像质量方面优于现有模型。

本研究解决了计算病理学中多模态基础模型的应用问题，重点关注整合不同数据源以改进组织病理图像分析的研究进展。文中提供了对32种最先进的多模态基础模型的分类，并探讨了28个可用的数据集及其在病理学中的应用。研究结果将为病理学和人工智能交叉领域的研究人员和从业者提供重要的参考资源。

本研究提出了一种结合视觉变换器与GPT-2的多模态模型，旨在提高病理图像分析中的细微病变特征理解。通过微调专门数据集，该方法显著提升了疾病分类、分割和检测的准确性，展示了数字技术在医学图像分析中的应用潜力。

本研究解决了基础模型在临床应用中的有效性和通用性的问题，特别是在前列腺癌诊断和Gleason分级方面。通过对114个地点的73,42名患者的超过10万例核心针活检进行最大规模验证，本研究发现任务特定模型在有足够标签训练数据时，性能优于基础模型。这表明，在临床高风险应用中，应优先考虑任务特定的训练和严格验证。

本研究针对当前组织病理学全幻灯片图像（WSI）缺乏细胞级注释的问题，通过构建一个包含超过50亿细胞级注释的大规模数据集WSI-Cell5B，提出了一种新颖的层次细胞云变换器（CCFormer）。研究表明，WSI-Cell5B可用于基于细胞计数设计临床评估指标，有效评估患者生存风险，并通过细胞空间分布学习实现了业内领先的生存预测和癌症分期性能。

本研究针对当前计算病理学中使用基础模型来解决临床复杂问题的不足之处，提出了TITAN模型。该模型通过视觉自监督学习和视觉-语言对齐，利用335,645幅整体幻灯片预训练，无需微调或临床标签，能够提取通用的幻灯片特征并生成病理报告，尤其在稀有疾病检索和癌症预后方面表现出显著的效果。

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。

本文介绍了一种名为Pathomic Fusion的多模态融合策略，结合组织学图像和基因组特征，以提高癌症患者生存预测的准确性。通过深度学习和自我监督学习，提出了互相引导的跨模态转换器（MGCT），在不同癌症数据集上表现优越，增强了模型的鲁棒性和普适性，克服了传统方法的局限性。

本研究探讨了自我监督学习在计算病理学中的应用，强调领域特定模型的优势及数据多样性对模型性能的影响。评估结果显示，CONCH模型在多项任务中表现最佳，融合模型在多数任务中优于单一模型，促进了病理学研究与临床应用的结合。

该论文介绍了多种基于深度学习的病理学诊断方法，如生成模型、CNN和弱监督分割网络，旨在提高疾病检测的准确性和效率。实验结果表明，这些方法在小样本数据集上表现优异，具备良好的鲁棒性和可解释性。

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。

本文探讨了医学图像分割的最新技术与挑战，包括模型预训练、数据处理和增强。提出了基于联邦学习的SegViz框架和UniverSeg模型，显著提升了分割性能。同时，研究介绍了无监督腺体分割方法及其在数字病理学中的应用，强调了深度学习在医学图像分析中的重要性和潜力。

本文回顾了人工智能在癌症组织成像中的应用，提出了五个主要任务模型，探讨了自我监督学习的进展及其在病理学中的重要性。研究表明，病理数据的预训练能显著提升模型在癌症诊断中的性能，并通过知识增强的视觉-语言预训练方法，在多个下游任务中取得了显著进展，强调了数据多样性对模型效果的影响。

本文探讨了前列腺癌的预测模型及深度学习在病理学中的应用。研究通过新方法和数据集提高了前列腺癌的预测准确性，强调了非癌细胞研究的重要性，并开发了高效的预测模型PR-NET，展示了机器学习在癌症复发预测中的潜力。

本研究提出了修补遮挡策略（IBO），通过修补组织病理图像中的遮挡区域，减少了分布外伪影并保持数据完整性。结果显示，IBO显著提高了感知保真度，并将XAI性能预测准确率从42%提升至71%。

本文介绍了PathAsst，一种基于生成式AI的病理图像分析助手，利用ChatGPT和Vicuna-13B模型进行训练，提升病理诊断和治疗效果。研究表明，自我监督学习在病理数据预训练中表现优越，推动了计算病理学的发展，并在乳腺癌和结肠癌等任务中展现了先进性能。此外，研究还提出了评估和比较病理模型的开源框架。

本文介绍了一种新型的组织病理学图像合成方法ViT-DAE，该方法基于ViT深度学习模型和去噪扩散自编码器，能够生成高质量的图像。研究表明，ViT-DAE优于传统的GAN和DAE技术。此外，文章探讨了数字病理学中的染色标准化技术，强调了人工智能在癌症诊断中的潜力，并提出通过结构化文本提示来改善AI模型性能的方法。