该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。

May, 2018

本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在 2016 年 Camelyon Grand Challenge 的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在 WSI 分类任务上超越了人类表现。

Jul, 2017

使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

Oct, 2023

该研究提出了一种使用卷积神经网络 (CNN) 框架以及基于细胞病理学图像的肿瘤检测，旨在自动地检测、定位肿瘤，并降低转移性癌症检测中的假阴性率。

Mar, 2017

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

为解决发展中国家乳腺癌诊断的延误和患者生存率的不平等问题，本研究开发了一种基于深度学习的转移性乳腺癌诊断系统，具有高诊断准确性和计算效率，能够适应资源匮乏的医疗设施。

Aug, 2023

本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

Jun, 2019

相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者，为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。

Mar, 2024

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020