神经条件随机场在癌症转移检测中的应用
本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的CAD检测性能，并综合展示了该方法在各种医学影像CAD检测中的应用前景。
May, 2015
本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织WSI的细胞级信息进行分类，成功实现对病理组织的诊断和分类。
May, 2017
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
本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估Tumor-TIL空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。
May, 2019
用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准CNN基准表现更好，并在PatchCamelyon数据集上进行了验证。
Jun, 2019
该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过Cycle-GANs变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。
May, 2020
本文讨论如何将深度学习用于对大型WSI图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得15%的减少。
Dec, 2020
该研究提出了一种基于交叉关注的突出实例推断多实例学习方法，通过一种新的显著性提醒的关注机制，在WSIs上无需任何标注即可识别乳腺癌淋巴结微转移，并展示出对小肿瘤病变WSIs的出色准确性，具有良好的解释性特点。
Sep, 2023