Artificial Intelligence for Digital and Computational Pathology

数字化组织切片技术的进步和人工智能（包括深度学习）的快速发展，推动了计算病理学领域的发展。该领域具有极大的潜力，可以自动化临床诊断，预测患者预后和治疗反应，并从组织图像中发现新的形态学生物标志物。其中一些基于人工智能的系统现在已经获得批准，可以辅助临床诊断；然而，技术壁垒仍然存在，阻碍了它们作为研究工具的广泛临床应用和整合。本综述汇总了计算病理学在预测全切片图像中的临床终点方面的最新方法学进展，并强调了这些发展如何实现临床实践的自动化和新生物标志物的发现。然后，我们提供未来的展望，随着该领域扩展到更广泛的临床和研究任务，并具有越来越多样化的临床数据形式。

计算病理学在临床诊断和研究中的应用仍存在技术障碍，本文试图总结最近的方法学进展并探讨未来发展方向。

本文总结了计算病理学在全切片图像中预测临床终点的方法学进展，并强调了这些发展如何实现临床实践的自动化和新生物标志物的发现。

本文介绍了计算病理学在临床诊断和研究中的应用和潜力，并总结了最近的方法学进展。实验使用了多个数据集，包括公共数据集和作者自己的数据集，并在这些数据集上进行了评估。本文还提供了未来发展方向的展望，包括更多的临床和研究任务以及更多种类的临床数据。

近期的相关研究包括： 1. "Deep learning-based computational pathology using histopathological images for diagnosis and prognosis of cancer"； 2. "Artificial intelligence in digital pathology: a survey of the current landscape"； 3. "Computational pathology: challenges and promises for tissue analysis"。