本研究提出了一种新聚合技术，解决了高质量特征向量在全幻灯片图像中的分配问题，显著提升了多种组织样本的搜索性能，推动了数字病理学的发展。

本文介绍了自我监督模型UNI在计算病理学中的应用，利用超过100万个组织样本进行预训练，显著提升了组织分类和疾病亚型分类的能力。研究表明，该模型在数据效率和泛化能力方面表现优异，尤其适用于复杂的病理图像任务。研究团队通过新技术和算法开发了高效的图像分析方法，推动了病理学的发展。

本研究提出了一种可解释的机器学习方法LymphoML，用于淋巴瘤亚型分类。该方法通过处理组织样本，提取形态特征，并训练模型进行诊断预测。LymphoML在有限量的组织样本上表现出较高的准确性，并在跨越8个淋巴瘤亚型的数据集上胜过深度学习。通过分析特征影响，发现核形状特征对DLBCL和典型霍奇金淋巴瘤具有鉴别性。此外，将组织特征与免疫染色特征相结合的模型也具有较高的准确性。

本研究提出了一种可解释的机器学习方法LymphoML，用于精确分类淋巴瘤亚型。该方法通过处理组织样本，提取形态特征，并训练梯度增强模型进行诊断预测。LymphoML在有限量的组织样本上达到了与病理学家相当的准确性，并在跨越8个淋巴瘤亚型的数据集上胜过深度学习。通过分析每个特征对模型预测的影响，发现核形状特征对DLBCL和典型霍奇金淋巴瘤最具鉴别性。同时，将组织特征与免疫染色特征相结合的模型也具有较高的诊断准确性。