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。

本研究提出了一种新方法，关注细胞核形态和组织，以提高计算病理学中癌症检测的泛化能力。结果表明，该方法在多个数据集上显著增强了鲁棒性。

本文研究了计算病理学中的视觉表征学习，利用大规模图像-文本对和病理知识树。研究构建了一个包含50,470个属性的知识树，涵盖32种组织和4,718种疾病。开发了一种知识增强的视觉-语言预训练方法，通过语言模型引导视觉学习。实验表明，该方法在跨模态检索和零样本分类任务中表现出色。代码和模型将公开。

研究分析了计算病理学中基础模型在真实病理图像上的鲁棒性。评估UNI和CONCH模型在前列腺癌分级中的应用，发现尽管相对表现良好，但绝对表现不理想，说明大规模多样化数据集训练的模型在实际应用中有局限性。

最近，自我监督学习在视觉基础模型训练中取得突破，通过在大型临床病理数据集上预训练，提升下游任务表现。研究发现，病理数据预训练优于自然图像，DINO算法效果最佳。这标志着计算病理学研究的进步。

本研究探讨了多实例学习在计算病理学中的应用，通过对抽样补丁进行训练，该方法在计算效率和正则化方面表现出色。实验结果显示，不同采样大小对性能和解释性有影响。使用30%的补丁在CAMELYON16数据集上实现了1.7%的性能提升，而在TUPAC16数据集上仅使用8个样本就实现了3.7%的性能提升。此外，端到端训练比预先提取的特征更有效，进一步展示了这种方法的潜力。

本文研究了计算病理学的视觉表征学习问题，通过利用大规模图像-文本对和病理学中的领域特定知识。首次构建了包含50,470个有信息量的属性、涵盖4,718种需要病理诊断的疾病的病理知识树。开发了基于知识增强的视觉-语言预训练方法，取得了显著的性能提高。将提供代码、模型和病理知识树给研究社群。

多实例学习在计算病理学中成功应用于全扫描图像分析，提供了多种预测任务的方法。论文提出了一种新的多实例学习框架 M4，用于从全扫描图像中预测多个基因突变。该模型在五个测试的 TCGA 数据集上相对于当前最先进的单任务方法有显著提升。

本文研究了计算病理学的视觉表征学习问题，通过利用大规模图像-文本对和病理学中的领域特定知识。通过知识增强的视觉-语言预训练方法，成功提高了跨模态检索、零样本分类和零样本肿瘤亚型划分的性能。

研究人员通过使用大规模无标签数据集训练视觉基础模型，在自我监督学习方面取得突破。预训练于临床病理数据集上可提高下游任务性能。DINO算法在测试任务中表现出更好的泛化性能，为计算病理学研究开辟新时代。

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。