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

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

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

本研究使用2453个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无IDC的数据，分析了预训练的深度迁移学习模型如ResNet50、ResNet101、VGG16和VGG19在检测乳腺癌方面的应用，研究发现ResNet50模型的准确率可达90.2％，曲线下面积（AUC）率为90.0％，召回率为94.7％，不适当损失为3.5％。

Apr, 2023

本研究研究了应用深度学习模型和新兴模型“Vision Transformer(ViT)”进行乳腺癌的检测与诊断，结果表明ViT模型在准确性和效率方面均优于其他CNN架构，实现了95.15％的准确率。

May, 2023

使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1分数为0.8188，精确度为0.7692，特异度为0.8971，超过现有的方法。该模型在有限标记数据的场景下表现出韧性，因此在标记数据有限的真实临床环境中具有高效性，研究结果表明，监督对比学习结合预训练的视觉转换器似乎是进行IDC准确分类的可行策略，从而为通过组织病理学图像分析更高效可靠的乳腺癌诊断铺平了道路。

Apr, 2024

本研究针对乳腺癌早期诊断中的计算机辅助诊断系统的不足，提出了一种新型的卷积神经网络模型BCDNet。该模型能够在组织病理图像中有效检测侵袭性导管癌，准确率高达89.5%，且显著减少训练时间，具有较高的应用潜力。

Aug, 2024

本研究解决了乳腺癌，尤其是侵袭性导管癌（IDC）的早期准确诊断问题。提出的BCDNet卷积神经网络模型在组织病理图像中实现了89.5%的高准确率，并有效减少了训练时间。这一成果具有潜在的临床应用价值，有望提高乳腺癌的检测效率。

Aug, 2024

本研究解决了乳腺癌组织病理图像分类中的效率问题，比较了八种深度学习模型在区分侵袭性导管癌和非侵袭性导管癌的表现。研究发现，基于注意力机制的视觉变换器模型在验证准确率上达到了93%，显著优于传统卷积网络，这表明先进的机器学习方法在临床乳腺癌诊断中的潜在应用价值。

Aug, 2024