Jan, 2022

基于人工智能的组织病理学图像癌症检测和分类：系统综述

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 卵巢癌组织病理学中的人工智能：一项系统综述

    该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

    Mar, 2023

  • 基于人工智能的临床级组织病理学异常检测

    通过提出一种深度异常检测方法，以仅需常见疾病的训练数据为基础，可可靠地检测出胃肠活检中异常病理变化的广泛谱系，包括罕见的原发性或转移性癌症，从而在临床病理学中实现了基于人工智能的异常检测的首个有效临床应用，有效地提高了 AI 模型的安全性，推动了 AI 在日常诊断和其他领域的应用与自动化。

    Jun, 2024

  • 运用人工智能技术进行乳腺癌检测：系统文献综述

    本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

    Mar, 2022

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    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

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 应用人工智能于癌症组织成像的研究与早期检测的现状

    本文旨在回顾和概述当前人工智能在癌症组织成像方面所做的工作，提出了五个主要的任务模型，并讨论了这些方法面临的挑战和用于癌症预防和治疗的适应性。

    Jun, 2023

  • 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

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 用于乳腺癌组织学图像分类的分层 ResNeXt 模型

    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