该研究提出了VideoPath-LLaVA，这是首个在计算病理学中集成多种影像场景的大型多模态模型。该模型通过结合视频数据和指令，显著提升了病理诊断的合理性，为未来的病理视频分析和临床决策支持系统奠定了新基准。

本研究提出FoundationShift方法，解决无创光学成像数据分析中缺乏专家标注和大数据集的问题。该方法能够在不重新训练的情况下应用现有计算病理学AI模型，准确性优于当前模型，帮助医生实时分析组织，提高病人护理质量。

本研究探讨了计算病理学中的域泛化问题，提出通过关注细胞核形态和组织来提升癌症检测的域外泛化能力。结果表明，该方法在多个数据集上显著提高了鲁棒性。

本文探讨了无监督领域适应方法在前列腺癌Gleason分数分类中的应用，强调了基础模型在医学图像分割中的重要性。研究表明，病理数据的预训练能显著提升模型性能，DINO算法表现尤为突出。通过深度学习和自监督学习，构建了高效的特征提取器和Gleason评分系统，推动了计算病理学的发展，同时基准测试了多种模型，强调数据多样性对性能提升的重要性。

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。

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。

基于深度学习的计算病理学研究表明，利用全切片图像（WSIs）可以有效预测癌症患者的预后。提出的互相引导的跨模态转换器（MGCT）结合组织学和基因组特征，显著优于现有方法。多项研究展示了多模态学习在癌症存活预测和医学图像分析中的潜力，特别是在肿瘤分割和放射学报告生成方面。

本文介绍了一个新的计算病理学数据集，包含头颈鳞癌患者的数字化图像，展示了染色方法的等效性。研究提出了建模肿瘤微环境对药物效应影响的方法，并验证了其优越性能。此外，介绍了基于光学相干断层扫描的影像系统，标志着组织筛选领域的重大进展，具有潜在的药物研发应用。

本文探讨了计算病理学中的视觉表征学习，构建了包含50,470个属性的病理知识树，并开发了基于知识增强的视觉-语言预训练方法。研究表明，该方法在跨模态检索和零样本分类等任务中显著提升了性能。此外，提出的无监督技术CPLIP在图像和文本对齐方面表现优异，推动了病理学研究的进展。

本文探讨了自我监督学习在计算病理学中的应用，强调领域特定技术对模型性能的提升。研究表明，基于病理数据的预训练有助于下游任务表现，DINO算法在各项测试中表现优越。在乳腺癌和结肠癌等任务中，研究达到了先进水平，并提出了适应性方法以提高分类性能，展示了在资源有限环境下的有效性。

本文介绍了多种新型计算病理学方法，包括基于扩散模型的图像生成、深度学习的多类病理分割和自我监督学习的高分辨率图像表示。这些方法旨在提高癌症诊断的准确性和效率，展示了人工智能在处理大规模病理数据中的潜力。

基于深度学习的计算病理学研究提出了互相引导的跨模态转换器（MGCT）和多模态变压器模型（PathOmics），旨在结合组织学和基因组特征，提高癌症患者预后的预测准确性。这些方法通过整合不同数据源，克服了异质性和复杂相互作用的挑战，实验结果显示其在多种癌症数据集上表现优越。

该研究应用多实例学习和特征提取方法，探索乳腺癌肿瘤及免疫表型，开发计算病理学标志物。提出基于深度学习的多模态学习框架，结合组织学和基因组特征，提高癌症预后预测的准确性，并验证其在多种癌症类型中的优越性能。

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。

CONCH 是一个基于组织病理学图像和文本的视觉语言模型，采用 MI-Zero 框架和自我监督学习方法，利用无标签数据集提升病理图像分类和癌症检测的效果。HLSS 方法结合语言信息与视觉表示，增强了可解释性。研究表明，病理数据的预训练对下游任务性能有显著提升，推动了计算病理学的发展。

该论文探讨了利用知识蒸馏和深度学习技术提高传统医学图像中空气泡识别的分类性能，旨在优化细胞病理学的自动诊断系统。研究表明，新方法在伪影分割和严重程度评估上显著优于现有技术，强调了数字病理学与人工智能结合的潜力，推动了计算病理学的发展。

本文探讨了自监督学习在计算病理学中的应用，尤其是在乳腺癌检测和组织图像分割方面的优势。研究表明，领域特定技术和强数据扩充能够显著提升性能，推动无监督学习的发展，减少对标注数据的依赖。

基于深度学习的计算病理学研究发现，利用全切片图像预测癌症患者预后效果显著。提出了一种基于注意机制的多模态学习框架，可以建模肿瘤微环境内的基因型-表型相互作用。实验结果表明该方法优于现有最先进方法。

本文提出了一种新的基于Transformer的MIL方法，探索形态和空间信息，对三个计算病理学问题进行了测试，结果表明该方法具有更好的性能和更快的收敛速度，测试AUC可以达到93.09％，在TCGA-NSCLC和TCGA-RCC数据集上，癌症亚型分类的AUC分别可以达到96.03％和98.82％。

该研究提出了一种深度强化学习模型，用于序列化预测免疫组化评分的HER2。通过对多分辨率大型图像的样本块进行深度处理，该模型在计算病理学领域中表现出优越性能。这是使用深度强化学习的首个IHC评分研究。