Mar, 2022

运用人工智能技术进行乳腺癌检测：系统文献综述

PDF
TL;DR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。
breast cancerartificial intelligencemachine learningdeep learninghistopathological imaging
发现论文，激发创造
  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 利用机器学习技术进行乳腺癌诊断

    评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

    May, 2023

  • 乳腺癌影像中的深度学习：十年进展与未来方向

    该论文通过对过去 10 年深度学习在乳腺癌成像研究的概述和整理，阐述了深度学习在乳腺癌筛查、诊断、治疗反应预测和预后方面的应用，同时探讨了深度学习在乳腺癌成像方面未来研究的挑战和展望。

    Apr, 2023

  • 乳腺癌诊断：可解释人工智能（XAI）技术的全面探索

    乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

    Jun, 2024

  • 基于迁移学习的乳腺癌组织病理图像检测深度分析

    本研究使用 2453 个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无 IDC 的数据，分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用，研究发现 ResNet50 模型的准确率可达 90.2％，曲线下面积（AUC）率为 90.0％，召回率为 94.7％，不适当损失为 3.5％。

    Apr, 2023

  • 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

  • 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

    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

  • 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

  • 甲状腺癌诊断中的人工智能技术、趋势和未来方向

    人工智能技术在甲状腺癌的诊断中发挥着重要作用，将大数据分析与机器学习相结合，帮助医生评估甲状腺癌预后和决定患者的恶性风险。本论文总结了大量与人工智能技术在甲状腺癌诊断中相关的文章，通过新的分类方法整理了这些技术，并比较了不同数据集的特征，讨论了这一领域的进展和挑战，并展望了未来的发展方向。

    Aug, 2023

  • 通过多模型降维算法和分类算法的多模态融合在转移性乳腺癌预测中的应用

    利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

    Sep, 2023