Jun, 2020

基于深度学习的计算病理学可预测原发性未知癌症

PDF
TL;DR利用基於深度學習的計算病理學算法 - TOAD 進行差異診斷，可幫助繁瑣的轉移瘤和 CUP 病例的診斷，減少 CUP 發生率。
cancer of unknown primarygenomicsdeep learningcomputational pathologydifferential diagnosis
发现论文，激发创造
  • 组织病理图像的再识别

    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

  • Virchow：百万切片数字病理基础模型

    使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

    Sep, 2023

  • 计算肿瘤病理学中机器学习方法的综述、挑战和前景

    本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景，给出了从病理和技术角度的图像预处理方法和基于机器学习的方法，以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。

    May, 2022

  • 层次化深度学习集成以自动分类乳腺癌病理报告（按 ICD-O 部位分类）

    本文提出了一种基于深度学习集成模型的方法，可以自动标注阅片报告，并提高了国际癌症疾病分类（ICD-O）的拓扑分类的准确性，特别是针对乳腺癌的分类。

    Aug, 2020

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • 基于病理学和阴道镜图像的宫颈癌诊断的深度学习技术

    深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

    Oct, 2023

  • 淋巴结转移癌症检测的半监督学习

    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

  • 采用无监督 CAE 方法实现更透明和准确的癌症诊断

    通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。

    May, 2023

  • 利用组织病理学图像基于深度学习的多种癌症生存预测

    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

  • 基于深度网络的 WHO 乳腺分类中肿瘤判别的搜索与匹配初步研究

    通过使用深度学习模型，我们对 WHO 乳腺肿瘤分类进行了索引和分析，以建立一个可搜索的数字化癌症图谱，从而研究常见和罕见乳腺病变之间的复杂关系。

    Aug, 2023