基因转换器：用于基于基因表达的肺癌亚型分类的变压器
本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。
Jun, 2019
本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。
Aug, 2022
该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。
Dec, 2016
提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standard” 信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。
Aug, 2023
本文讨论了在基于图像分析的癌症检测中，迁移学习（TL）和 transformers 的作用。通过分析医学图像，如 CT 扫描和 MRI，以识别可能有助于癌症检测的异常生长，TL 等方法已被证明可以提高癌症分类和检测的质量和性能。本文对基于图像分析的 TL 方法进行了分析和批评，并比较了每种方法的结果，显示 transformers 在结肠癌检测（97.41%）和组织学肺癌（94.71%）方面取得了最佳结果。另外，还讨论了基于图像分析的癌症检测的未来方向。
Nov, 2023
通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。
Aug, 2023
通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或 UNet 模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问 lung-cancer.onrender.com/ 获取交互式仪表盘。
Sep, 2023
本文提出了一种基于有效 Transformer 模型的肺癌图像分类和分割方法，将计算机视觉技术应用于医学图像分析，可为医务人员提供高效的技术支持。在多个方面对实验结果进行了评估和比较，并证明该算法可以很好地应用于肺癌分类和分割任务。
Jul, 2022
研究利用预训练的 Vision Transformer 模型对肺癌病理组织切片（来自数据集 LC25000）进行多标签肺癌分类，比较了零样本和少样本 ViT 的性能表现，结果表明预训练的 ViT 模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在 Fig-Shot 设置下获得了最佳结果（在 validation 集和 test 集上均为 100%）
May, 2022