本研究解决了乳腺癌中传统免疫组织化学（IHC）分类依赖病理学家专业知识的问题，采用了包含1272张IHC幻灯片的印度病理乳腺癌数据集（IPD-Breast）来自动化受体状态分类。研究创新性地应用深度学习模型进行HER2三分类，取得了优于传统基于补丁的方法的效果，显示出深度学习技术在乳腺癌分类中的准确性和可重现性显著提升，为临床工作流程的整合提供了支持。

本研究提出了一种基于联邦学习的方法，通过苏木精和伊红染色的整体幻灯片图像预测HER2状态，旨在降低成本并加快治疗决策。实验结果表明，该方法在多个站点上表现优异，具有良好的泛化能力。

本研究使用机器学习和数字病理学建立了大规模数据集，验证了基于ViT的标准流水线在正确标注协议下具有90%的预测性能，并揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

本文介绍了两个新设计，通过使用点变换器与联邦学习方法预测多地点HER2状态。新设计包括动态标签分布策略和辅助分类器，并提出了基于余弦距离的最远余弦采样方法。实验结果表明，该方法在多个地点的WSIs上实现了最先进的性能，并且可以泛化到未见过的地点。

通过点变换器与联邦学习方法对多地点HER2状态进行预测，提出了动态标签分布策略和辅助分类器，建立可初始化的模型和减轻不同地点标签分布的变化。实验证明，在4个地点的2687个WSIs上实现了最先进的性能，并且模型可以泛化到两个未见过的地点，共229个WSIs。

该研究使用红外显微光谱和深度学习的二维模型进行乳腺癌分类和生物标志物水平预测，有望成为乳腺癌筛查分析技术并帮助优先治疗患者。

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。