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

本文介绍了 BReAst Carcinoma Subtyping（BRACS）数据集，这是一个包含 547 张 WSI 和 4539 个感兴趣区域（ROIs）的大型数据集，可以帮助进一步了解乳腺癌的特征以及利用人工智能技术对其进行诊断和分类。

Nov, 2021

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

通过分析病理学图像预测乳腺癌早期患者复发的风险，本研究探讨了深度学习算法是否能准确预测复发的可能性，结果显示通过对 125 个组织切片图像进行分析，得到了对低、中、高风险预测的灵敏度分别为 0.857、0.746 和 0.529，对应的特异性分别为 0.816、0.803 和 0.972，而与专家病理学家提供的组织级别信息对比，得到的皮尔逊相关系数为 0.61，此外，模型通过类活化图考虑了管状形成和有丝分裂率对不同风险组的预测结构。

Jun, 2024

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

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

本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

May, 2023

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

本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

Mar, 2020

使用卷积神经网络分析乳腺癌患者的肿瘤相关基质来诊断，该系统在处理了 646 例乳腺组织活检标本后被证明具有较强的诊断能力，达到了 0.92 的 ROC 曲线下面积。

Feb, 2017