通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

Sep, 2023

通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

Jun, 2023

利用组织学图像的自动分类方法可以提高乳腺癌的诊断准确性，并通过组织学图像的自动分类的算法进一步推进形态学领域的发展。本文评估了在大型数据集上集成卷积神经网络的方法，将其用于在乳腺癌图片的分类问题，并在自动分类的准确性方面取得了一定的进展。

Aug, 2018

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

癌症病理报告的自动分类可以从非结构化报告中提取信息，并将每个报告分类到结构化的诊断和严重程度类别中。我们开发了一种基于分层混合变压器的分类系统用于乳腺癌标本报告，并比较了我们的模型与其他几种最先进的机器学习和深度学习模型。

Nov, 2023

本研究旨在研究利用深度学习进行组织的全切片成像技术，主要包括对于 WSI 注册的算法研究，本研究增加了协变量考虑，得到高的准确性，同时结果也有望指导研究人员在选择和开发算法方面有所帮助。

May, 2023

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

本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

Jan, 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

本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了 BReAst 癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

Feb, 2021