用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

Jun, 2019

使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

Oct, 2023

基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法，将选择图、缺失图、因果发现和先前知识结合成一个图形模型，用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证，在风险评估、准确性和可解释性方面胜过竞争的机器学习方法。

Nov, 2023

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

为解决发展中国家乳腺癌诊断的延误和患者生存率的不平等问题，本研究开发了一种基于深度学习的转移性乳腺癌诊断系统，具有高诊断准确性和计算效率，能够适应资源匮乏的医疗设施。

Aug, 2023

乳腺癌在女性死亡中的地位越来越重要，取代了心脏病的地位。除了遗传因素，在乳腺癌发生和发展中，新研究表明环境因素也起着重要作用。这项研究全面回顾了影响乳腺癌风险、发病率和结果的各种环境因素的文献。研究从生活方式决策入手，如饮食习惯、运动习惯和饮酒等对激素失衡和炎症的影响，这两个因素是乳腺癌发展的重要驱动力。此外，研究还探讨了农药、内分泌干扰物和工业排放等环境污染物在乳腺癌发展中的作用，这些污染物与激素信号和 DNA 损伤的干扰有关。还利用机器学习算法进行预测，包括逻辑回归、随机森林、KNN 算法、支持向量机和额外树分类器等。使用混淆矩阵相关系数、F1 分数、精确度、召回率和 ROC 曲线等指标来评估模型。所有分类器中最准确的是随机森林，准确率为 0.91%，逻辑回归的 ROC 曲线为 0.901%。这项研究中利用的多种机器学习算法的准确性良好，这是重要的，表明这些技术可以作为乳腺癌生存分析中的替代预测技术，尤其在亚洲地区。

Sep, 2023

本文提出了一种使用卷积神经网络进行乳腺癌转移检测和 pN 分期分类的稳健方法，用于处理多个吉吉像素病理学图像，实现了 0.9203 的加权 Kappa 得分，超过了 Camelyon17 挑战的前几名方法。

May, 2018

本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

May, 2023

本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在 2016 年 Camelyon Grand Challenge 的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在 WSI 分类任务上超越了人类表现。

Jul, 2017

本文研究了人工智能系统在手术期间识别腹膜表面转移瘤方面的作用，发现在仿真环境下，深度学习手术辅助系统能够比直接手术更加准确的识别腹膜表面转移瘤，可以在一定程度上降低误识别率并提高手术成功率，但需要在多机构临床环境下进一步研究。

Jun, 2023