本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

Jul, 2023

本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。

Jun, 2019

本研究提出了一种使用多池化操作的卷积神经网络（CNN）架构，并探索了带有类别级别约束矩阵约束的损失函数，用于医疗关系分类在临床记录中，实验表明这些模型在不使用任何外部特征的情况下优于以前的单模型方法，并且我们最佳模型与现有的集成方法竞争力强。

May, 2018

该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了 Inceptionv3 架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

Apr, 2024

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

开发了一种 1D 深度学习工具用于乳腺癌分型和生化贡献的评估，该模型基于高光谱图像和 CaRNet-V1，对乳腺癌、邻近组织以及分子亚型的分类具有高准确性，并能够评估对分类的生化影响，有潜力应用于乳腺癌活检的评估以及其他相关研究如治疗效果评估和新诊断治疗方法的开发。

Oct, 2023

使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

Feb, 2018

介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。

Oct, 2018

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

此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

Mar, 2018