Bài báo này phân loại các hình ảnh phân bào thành các loại điển hình và không điển hình. Số lượng các hình ảnh phân bào không điển hình có mối tương quan mạnh mẽ với mức độ xâm lấn của khối u. Do đó, việc phân loại chính xác là rất cần thiết để dự đoán tiên lượng bệnh nhân và phân bổ nguồn lực, nhưng đây vẫn là một nhiệm vụ đầy thách thức ngay cả đối với các nhà bệnh học chuyên gia. Nghiên cứu này đã sử dụng các mô hình dựa trên bệnh lý (PFM) được đào tạo trước trên một tập dữ liệu mô bệnh học quy mô lớn để thực hiện tinh chỉnh hiệu quả về tham số thông qua khả năng thích ứng chiều thấp. Hơn nữa, chúng tôi đã tích hợp ConvNeXt V2, một kiến trúc mạng nơ-ron tích chập tiên tiến, để bổ sung cho các PFM. Trong quá trình đào tạo, chúng tôi đã sử dụng phép biến đổi mắt cá để làm nổi bật các nguyên phân và áp dụng khả năng thích ứng miền Fourier bằng cách sử dụng các ảnh mục tiêu ImageNet. Cuối cùng, chúng tôi tập hợp nhiều PFM để tích hợp các hiểu biết về hình thái bổ sung, đạt được độ chính xác cân bằng cạnh tranh trên một tập dữ liệu đánh giá sơ bộ.
