该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究,重点讨论了这些技术所面临的关键挑战和未来的发展趋势。
Aug, 2022
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
本文介绍了使用机器学习算法分析数字病理学图像的应用,解决数字病理学图像及相关任务中存在的问题,并提出了可能的解决方案。
Sep, 2017
通过改进监督对比学习方法,结合自监督学习和标签数据,在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率,特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。
May, 2024
通过开发深度学习系统,在多种癌症类型中利用组织病理图像预测疾病特异性生存,为癌症治疗和监测提供重要的预后信息。
Dec, 2019
本文调查了 120 多篇基于深度学习的细胞学图像分析研究,介绍了全监督、弱监督、无监督和迁移学习等深度学习方法,并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用,探讨了细胞学计算的挑战和未来研究方向。
Feb, 2022
该论文提出了一种基于图卷积网络和注意机制的方法,将组织学检查作为细胞核图的形式来进行深度学习,达到疾病诊断的可解释性。
Jun, 2020
建立和评估组织病理学基础模型在自我监督学习中的价值,并发现领域特定方法可以进一步提高性能。
Oct, 2023
应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究,提出了一个新颖的三部分框架,包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证,并在膀胱癌的预后预测任务中取得了显著的成果,模型的 AUC 分别达到 0.721 和 0.678。
相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者,为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。
Mar, 2024