Öffentlich
Peer-reviewte Forschung
Durchsuchen Sie veröffentlichte Forschung, geordnet nach Themen der Pathologie-KI.
Forschung durchsuchenEvidenz & Publikationen
Begutachtete Forschungsarbeiten unseres Teams, veröffentlicht in führenden Fachzeitschriften und auf Konferenzen
Evidenz und Ressourcen
Evidenz- und Ressourcenportal
Beginnen Sie mit öffentlich zugänglicher Forschung und fordern Sie anschließend die für Ihre Prüfung relevanten produkt- und marktspezifischen Informationen an.
Auf Anfrage
Anfrage zu Produkt- und Workflow-Evidenz
Fordern Sie Evidenz an, die auf das geprüfte Produkt, den Workflow und den vorgesehenen Verwendungszweck zugeschnitten ist.
Relevante Evidenz anfordernAuf Anfrage
Aktuellen regulatorischen Status anfragen
Fordern Sie Statusinformationen zum relevanten Produkt, zur Version, zum vorgesehenen Verwendungszweck und zum Markt an.
Aktuellen Status anfragenSo wird Evidenz bereitgestellt
Der Zugang richtet sich nach der Sensibilität der Informationen und dem Umfang der Prüfung.
L1 · Öffentlich
Peer-reviewte Forschung und allgemeine Produktinformationen, die auf dieser Website verfügbar sind.
L2 · Qualifizierte Anfrage
Abgegrenzte Evidenz und Planungsinformationen können nach Prüfung der Organisation und des Anwendungsfalls bereitgestellt werden.
L3 · Prüfung unter NDA
Detaillierte technische, sicherheitsbezogene oder Due-Diligence-Unterlagen können eine Vertraulichkeitsvereinbarung und einen abgestimmten Prüfungsumfang erfordern.
Funktionsübergreifende Prüfung planen
Nutzen Sie diese Fragen, um den Evidenz- und Implementierungsumfang festzulegen, bevor Sie detaillierte Unterlagen anfordern.
Klinik & Pathologie
Prüfen Sie den vorgesehenen Verwendungszweck, die Relevanz der Kohorte, den Referenzstandard, Einschränkungen und die erforderliche menschliche Prüfung.
Laborbetrieb
Prüfen Sie Objektträgerkapazität, Akzeptanzkriterien, Ausnahmebehandlung, Schulung und Rollout-Planung.
IT & Sicherheit
Erfassen Sie Scanner und Formate, Integrationen, Bereitstellung, Datenflüsse, Zugriffskontrollen, Protokollierung und Änderungsmanagement.
Regulierung & Beschaffung
Prüfen Sie das genaue Produkt, die Version, den Marktstatus, die Aktualität der Dokumente, den Supportumfang und die kommerziellen Annahmen.
Anfragen zu kontrolliert zugänglichen Ressourcen
Teilen Sie uns mit, was Sie prüfen, damit unser Team die geeignete Informationsebene bereitstellen kann.
Validierungsübersicht
Fordern Sie eine abgegrenzte Zusammenfassung der für ein Produkt und den vorgesehenen Verwendungszweck relevanten Validierungsevidenz an.
Validierungsübersicht anfordernKompatibilitätsmatrix
Bitten Sie unser Team, relevante Scanner, Formate und Anforderungen an die Workflow-Integration für Ihre Umgebung zu bestätigen.
Kompatibilitätsprüfung anfordernImplementierungsleitfaden
Fordern Sie Planungsinformationen an, die auf Ihren Bereitstellungsumfang, die beteiligten Rollen und den Validierungsprozess zugeschnitten sind.
Implementierungsberatung anfordernPaket zu Regulierung und Sicherheit
Fordern Sie produkt-, versions- und marktspezifische Informationen zu Regulierung und Sicherheit an, die für Ihre Prüfung geeignet sind.
Prüfungspaket anfordern
Ausgewählte Forschung
Ausgewählte Publikationen
Hochkarätige Forschung unseres Teams an führenden Konferenzen
Nature Mach. Intell.
2019
Pathologist-level Interpretable Whole-slide Cancer Diagnosis with Deep Learning
Zhang, Z., Chen, P., McGough, M., ..., Cui, L., ..., Yang, L.
Nature MI Paper lesen
CVPR 2023
CCF-A
Task-specific Fine-tuning via Variational Information Bottleneck for Weakly-supervised Pathology WSI Classification
Li, H., Zhu, C., Zhang, Y., Sun, Y., Shui, Z., Kuang, W., Zheng, S., Yang, L.
CVPR 2023 Paper lesen
TMI 2025
ToPoFM: Topology-Guided Pathology Foundation Model for High-Resolution Pathology Image Synthesis with Cellular-Level Control
Li, J., Zhu, C., Zheng, S., Chen, P., Sun, Y., Li, H., Yang, L.
IEEE TMI Paper lesenPublikationen nach Themen
Entdecken Sie begutachtete Forschungsarbeiten, geordnet nach den Kernthemen unserer Pathologie-KI-Plattform.
Grundlagenmodelle
Große multimodale und generative Pathologiemodelle, die Patch-, Befund- und Whole-Slide-Verständnis zusammenführen.
TMI
ToPoFM: Topology-Guided Pathology Foundation Model for High-Resolution Pathology Image Synthesis with Cellular-Level Control
Li, J., Zhu, C., Zheng, S., Chen, P., Sun, Y., Li, H., Yang, L. · IEEE Trans. Medical Imaging · 2025
CVPR
CPath-Omni: A Unified Multimodal Foundation Model for Patch and Whole Slide Image Analysis in Computational Pathology
Sun, Y., Si, Y., Zhu, C., Gong, X., Zhang, K., Chen, P., Zhang, Y., Shui, Z., Lin, T., Yang, L. · CVPR 2025 (CCF-A) · 2025
ICLR
PathGen-1.6M: 1.6 Million Pathology Image-text Pairs Generation through Multi-agent Collaboration
Sun, Y., Zhang, Y., Si, Y., Zhu, C., Zhang, K., Shui, Z., Li, J., Gong, X., Lyu, X., Lin, T., Yang, L. · ICLR 2025 (Oral) · 2025
AAAI
PathAsst: A Generative Foundation AI Assistant towards Artificial General Intelligence of Pathology
Sun, Y., Zhu, C., Zheng, S., Zhang, K., Sun, L., Shui, Z., Zhang, Y., Li, H., Yang, L. · AAAI 2024 (CCF-A, Oral) · 2024
ECCV
WSI-VQA: Interpreting Whole Slide Images by Generative Visual Question Answering
Chen, P., Zhu, C., Zheng, S., Li, H., Yang, L. · ECCV 2024 (CCF-A) · 2024
ACM MM
PathUp: Patch-wise Timestep Tracking for Multi-class Large Pathology Image Synthesising Diffusion Model
Li, J., Zheng, S., Zhu, C., Sun, Y., Chen, P., Shui, Z., Zhang, Y., Li, H., Yang, L. · ACM MM 2024 (CCF-A, Oral) · 2024
MICCAI
WSICaption: Multiple Instance Generation of Pathology Reports for Gigapixel Whole-Slide Images
Chen, P., Li, H., Zhu, C., Zheng, S., Shui, Z., Yang, L. · MICCAI 2024 (CCF-B, Oral) · 2024
Anwendungen
Aufgabenorientierte Methoden und klinische Kooperationen für Detektion, Klassifikation, Synthese, Segmentierung und Entscheidungsunterstützung.
STTT
Spatially interpretable artificial intelligence framework to tailored neoadjuvant dual HER2 blockade in HER2-positive breast cancer
Wu, X.-R., Lv, H., Zhao, S., Zeng, X.-H., Dai, L.-J., Xu, Y.-Z., Li, Y.-W., Qiu, Z.-Y., Huang, J.-T., Zhang, N.-N., Chen, L., He, M., Zhao, Y.-Z., Yang, L., Zhou, T., Li, J.-J., Wu, J., Jiang, Y.-Z., Yang, W.-T., Di, G.-H., Shao, Z.-M., Ma, D. · Signal Transduction and Targeted Therapy · 2026
npj Breast
HER2-low and ultralow expression of invasive breast carcinoma: clinicopathological features and immunohistochemical consistency analysis
Dong, Y.-h., Xu, Y.-t., Jiang, X.-z., Xu, L., Yu, R.-j., Wang, R., Zhang, Q.-f. · npj Breast Cancer · 2026
Protocol
Veri-HER2UL: A prospective, multicenter, single-arm study validating T-DXd benefit in AI-reinterpreted HER2-ultralow unresectable or metastatic breast cancer
West China Hospital, Sichuan University · Clinical Study Protocol · 2026
USCAP
Differentiation Between HER2 Ultra-Low and HER2 Null Breast Cancers Using an AI Support Tool: A Multi-Site Study
Provenzano, E. · USCAP 2025 Oral Presentation · 2025
USCAP
Artificial Intelligence Assisted Assessment of HER2-ultralow and HER2-low Immunohistochemical Scoring in Breast Cancer Core Needle Biopsy Specimens
Li, M., Cai, M., Lv, H., Zhou, S., Lin, M., Shui, R., Yang, W. · USCAP 2024 · 2024
SABCS
The Advantage of Artificial-Intelligence in HER2 IHC 0 and 1+ Scoring in Breast Cancer
Li, M., Lv, H., Zhao, Y., Zhu, C., Li, H., Lin, M., Yang, W. · San Antonio Breast Cancer Symposium · 2023
Allergy
Artificial Intelligence-Based Pathological Subtype Diagnosis of Nasal Polyps: A Multidimensional and Micro-Visualization Study
Luo, X., Li, H., Chen, J., Zhou, Z., Zhou, L., Luo, R., ..., Cui, L., Yang, L., Yang, Q. · Allergy · 2026
ICASSP
Stable Test-Time Training for Semantic Segmentation with Output Contrastive Loss
Zhang, Y., Shui, Z., Li, H., Sun, Y., Zhu, C., Yang, L. · ICASSP 2025 (CCF-B) · 2025
Cancer Cell
Spatial determinants of antibody-drug conjugate SHR-A1811 efficacy in neoadjuvant treatment for HER2-positive breast cancer
Ma, D., Dai, L.-J., Wu, X.-R., Liu, C.-L., Zhao, S., Zhang, H., Chen, L., Xiao, Y., Li, M., Zhao, Y.-Z., ... · Cancer Cell · 2025
ECCV
Attention-Challenging Multiple Instance Learning for Whole Slide Image Classification
Zhang, Y., Li, H., Sun, Y., Zheng, S., Zhu, C., Yang, L. · ECCV 2024 (CCF-A) · 2024
ECCV
Unleashing the Power of Prompt-Driven Nucleus Instance Segmentation
Shui, Z., Zhang, Y., Yao, K., Zhu, C., Zheng, S., Li, J., Li, H., Sun, Y., Guo, R., Yang, L. · ECCV 2024 (CCF-A) · 2024
NeurIPS
Rethinking Transformer for Long Contextual Histopathology Whole Slide Image Analysis
Li, H., Zhang, Y., Chen, P., Shui, Z., Zhu, C., Yang, L. · NeurIPS 2024 (CCF-A) · 2024
AAAI
DPA-P2PNet: Deformable Proposal-Aware P2PNet for Accurate Point-Based Cell Detection
Shui, Z., Zheng, S., Zhu, C., Zhang, S., Yu, X., Li, H., Li, J., Chen, P., Yang, L. · AAAI 2024 (CCF-A) · 2024
Neural Net.
Gradient-Aware Learning for Joint Biases: Label Noise and Class Imbalance
Zhang, S., Zhu, C., Li, H., Cai, J., Yang, L. · Neural Networks · 2024
CSBJ
Performance of a HER2 Testing Algorithm Tailored for Urothelial Bladder Cancer: A Bi-centre Study
Huang, A., Zhao, Y., Guan, F., Zhang, H., ... · Computational and Structural Biotechnology Journal · 2024
ICME
Context-Aware Text-Assisted Multimodal Framework for Cervical Cytology Cell Diagnosis and Chatting
Sun, Y., Zhu, C., Zheng, S., Zhang, Y., Li, H., Yang, L. · ICME 2024 (CCF-B) · 2024
ICASSP
HLS-FGVC: Hierarchical Label Semantics Enhanced Fine-Grained Visual Classification
Zhang, S., Zheng, S., Shui, Z., Yang, L. · ICASSP 2024 (CCF-B) · 2024
BIBM
Multi-modal Learning with Missing Modality in Predicting Axillary Lymph Node Metastasis
Zhang, S., Zheng, S., Shui, Z., Li, H., Yang, L. · BIBM 2024 (CCF-B) · 2024
CVPR
Task-specific Fine-tuning via Variational Information Bottleneck for Weakly-supervised Pathology WSI Classification
Li, H., Zhu, C., Zhang, Y., Sun, Y., Shui, Z., Kuang, W., Zheng, S., Yang, L. · CVPR 2023 (CCF-A) · 2023
MICCAI
Segment Membranes and Nuclei from Histopathological Images via Nuclei Point-Level Supervision
Li, H., Xu, Z., Zhou, M., Shi, X., Kang, Y., Bu, Q., Lv, H., Li, M., Lin, M., Cui, L., Feng, J., Yang, W., Yang, L. · MICCAI 2023 (CCF-B) · 2023
TMI
Masked Conditional Variational Autoencoders for Chromosome Straightening
Li, J., Zheng, S., Shui, Z., Zhang, S., Yang, L., Sun, Y., Zhang, Y., Li, H., ... · IEEE Trans. Medical Imaging · 2023
MICCAI
Exploring Unsupervised Cell Recognition with Prior Self-Activation Maps
Chen, P., Zhu, C., Shui, Z., Cai, J., Zheng, S., Zhang, S., Yang, L. · MICCAI 2023 (CCF-B) · 2023
MICCAI
End-to-End Cell Recognition by Point Annotation
Shui, Z., Zhang, S., Zhu, C., Wang, B., Chen, P., Zheng, S., Yang, L. · MICCAI 2022 (CCF-B) · 2022
MICCAI
ChrsNet: Chromosome Straightening Using Self-Attention Guided Networks
Zheng, S., Li, J., Shui, Z., Zhu, C., Zhang, Y., Chen, P., Yang, L. · MICCAI 2022 (CCF-B) · 2022
ISBI
Weakly Supervised Learning for Cell Recognition in Immunohistochemical Cytoplasm Staining Images
Zhang, S., Zhu, C., Li, H., Cai, J., Yang, L. · ISBI 2022 · 2022
ISBI
Category Separation For Weakly Supervised Multi-Class Cell Counting
Cai, J., Zhu, C., Chen, P., Zhang, S., Li, H., Sun, Y., Yang, L. · ISBI 2022 · 2022
ISBI
Weakly Supervised Classification Using Multi-Level Instance-Aware Optimization on Cervical Cytologic Image
Zhu, C., Sun, Y., Li, H., Cui, C., Zhang, S., Cai, J., Ling, Y. · ISBI 2022 · 2022
MICCAI
Generalizing Nucleus Recognition Model in Multi-Source Ki67 Immunohistochemistry Stained Images via Domain-Specific Pruning
Cai, J., Zhu, C., Cui, C., Li, H., Wu, T., Zhang, S., Yang, L. · MICCAI 2021 (CCF-B) · 2021
J. Transl. Med.
Automated Tumor Proportion Scoring for PD-L1 Expression Based on Multistage Ensemble Strategy in NSCLC
Pan, B., Kang, Y., Jin, Y., Yang, L., Zheng, Y., Cui, L., Sun, J., Feng, J., Li, Y., Guo, L., Liang, Z. · J. Translational Medicine · 2021
AI Med.
Rule-based automatic diagnosis of thyroid nodules from intraoperative frozen sections using deep learning
Li, Y., Chen, P., Li, Z., Su, H., Yang, L., Zhong, D. · Artificial Intelligence in Medicine · 2020
Nature Mach. Intell.
Pathologist-level Interpretable Whole-slide Cancer Diagnosis with Deep Learning
Zhang, Z., Chen, P., McGough, M., ..., Cui, L., ..., Yang, L. · Nature Machine Intelligence · 2019
Benchmark
Evaluationssuiten und Robustheitsstudien zur Messung der Leistungsfähigkeit von Pathologie-KI auf Patch- und Whole-Slide-Ebene.
TMI
PathBench: Advancing the Benchmark of Large Multimodal Models for Pathology Image Understanding at Patch and Whole Slide Level
Sun, Y., Wu, H., Zhu, C., Si, Y., Chen, Q., Zhang, Y., Zhang, K., Li, J., Cai, J., Wang, Y., ... · IEEE Trans. Medical Imaging · 2025
ECCV
PathMMU: A Massive Multimodal Expert-Level Benchmark for Understanding and Reasoning in Pathology
Sun, Y., Wu, H., Zhu, C., Zheng, S., Chen, Q., Zhang, K., Zhang, Y., Wan, D., Lan, X., ... · ECCV 2024 (CCF-A, Oral) · 2024
JIIM
Benchmarking PathCLIP for Pathology Image Analysis
Zheng, S., Cui, X., Sun, Y., Li, J., Li, H., Zhang, Y., Chen, P., Jing, X., Ye, Z., Yang, L. · J. Imaging Informatics in Medicine · 2024
ICASSP
Assessing the Robustness of Deep Learning-Assisted Pathological Image Analysis Under Practical Variables of Imaging System
Sun, Y., Zhu, C., Zhang, Y., Li, H., Chen, P., Yang, L. · ICASSP 2023 (CCF-B) · 2023
MICCAI
Benchmarking the Robustness of Deep Neural Networks to Common Corruptions in Digital Pathology
Zhang, Y., Sun, Y., Li, H., Zheng, S., Zhu, C., Yang, L. · MICCAI 2022 (CCF-B) · 2022
Forschungswirkung
Unser Forschungsprofil
Veröffentlicht in
Nature Machine Intelligence
CVPR / ECCV / NeurIPS
AAAI / ACM MM
MICCAI
IEEE TMI / TNNLS
Neural Networks
Interesse an einer Zusammenarbeit mit unserem Forschungsteam?
Wir freuen uns über Partnerschaften mit akademischen Einrichtungen, Gesundheitsorganisationen und Branchenführern.