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

通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

Sep, 2023

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

使用卷积神经网络分析乳腺癌患者的肿瘤相关基质来诊断，该系统在处理了 646 例乳腺组织活检标本后被证明具有较强的诊断能力，达到了 0.92 的 ROC 曲线下面积。

Feb, 2017

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

癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

Nov, 2023

通过分析病理学图像预测乳腺癌早期患者复发的风险，本研究探讨了深度学习算法是否能准确预测复发的可能性，结果显示通过对 125 个组织切片图像进行分析，得到了对低、中、高风险预测的灵敏度分别为 0.857、0.746 和 0.529，对应的特异性分别为 0.816、0.803 和 0.972，而与专家病理学家提供的组织级别信息对比，得到的皮尔逊相关系数为 0.61，此外，模型通过类活化图考虑了管状形成和有丝分裂率对不同风险组的预测结构。

Jun, 2024

本文提出了一个基于卷积胶囊网络的深度学习解决方案，能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类，表现出非常高的准确性和敏感性。

Apr, 2018

利用组织学图像的自动分类方法可以提高乳腺癌的诊断准确性，并通过组织学图像的自动分类的算法进一步推进形态学领域的发展。本文评估了在大型数据集上集成卷积神经网络的方法，将其用于在乳腺癌图片的分类问题，并在自动分类的准确性方面取得了一定的进展。

Aug, 2018

通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

Jun, 2023