使用机器学习算法开发了一个用于分类五种阴茎疾病的模型，该模型在验证数据集上表现出色，目前已在全球范围内使用，有潜力改善对阴茎疾病的诊断服务的可及性。

Mar, 2024

本研究开发了一个深度学习系统，利用细胞病理医生注释的图像样本对前列腺癌组织学图像进行 Gleason 评分，精度达 0.70，较普通病理医生有较大改善，有望提高患者预后评估准确性，并且可以更细致地描述和量化肿瘤形态学。

Nov, 2018

本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

May, 2023

本篇论文旨在开发基于深度学习技术的系统，以支持病理学家对前列腺活检材料进行分析，并从中检测 Gleason 网格 4 的癌性模式。通过训练自设计的简单神经网络模型，我们获得了比现有模型更好的 Gleason 等级分类结果，并且在癌性模式检测和活检 Gleason 评分方面也取得了良好的效果。

May, 2021

通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。

Mar, 2024

本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。

May, 2017

本文提出了一种基于注意力机制的多实例学习模型，用于幻灯片级别癌症分级和弱监督区域兴趣检测，并在前列腺癌中进行了实验，其利用可视化显著性图来选择信息瓷砖，提高了细粒度等级分类的性能。

May, 2019

使用基于深度学习的方法，该研究发展和评估了一种自动化头影测量标注方法。该方法在三维面部立体摄影中实现了自动的标注，能够精确和一致地标记关键点，可用于大数据集的定量分析，诊断，随访和虚拟手术规划。

Sep, 2023

利用深度神经网络和全幅组织病理图像，我们提出了 DeepGleason：一种用于自动 Gleason 评分的开源深度神经网络图像分类系统，展示了其在准确和可靠的 Gleason 评级方面的较高性能。

Mar, 2024

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023