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

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

使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

Jun, 2024

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

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

探讨利用密集连接卷积神经网络进行乳腺癌计算机辅助诊断中的组织学图像分类和全扫描图像分割的可行性。采用迁移学习，应用于 2018 年乳腺癌组织学图像大挑战的数据集，并研究不同方法。

Apr, 2018

本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

Feb, 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