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。

该研究利用深度学习和傅立叶变换红外显微光谱技术，开发了 CaReNet-V2 模型，对乳腺癌进行分类和生物标志物预测。通过分析 60 个乳腺活检样本，模型实现了对乳腺癌分子亚型的准确预测，具有潜在的临床应用价值。

本文介绍了深度强化学习在乳腺癌免疫组化评分中的应用，提出了一种新模型，显著提高了HER2评分的预测性能。同时，研究探讨了数字病理学和机器学习在乳腺癌诊断中的潜力，分析了当前技术的限制，并预测未来发展方向。

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。