Jun, 2023

基于专家认知的集成深度学习模型，用于乳腺癌组织切片病理完全缓解预测的外部验证

PDF
TL;DR本文提出了一个基于人工智能与专家认知的集成深度学习方法 (ECDEDL) 来改善乳腺癌组织病理学图像中新辅助化疗 (pCR) 治疗的预测模型内、外部验证表现一致性问题，其效果显著提高了预测模型的 AUC 和准确率。
breast cancer imagingpathological complete responseneoadjuvant chemotherapydeep learningexternal validation
发现论文，激发创造
  • 基于组织病理学图像的经外部验证的机器学习模型对女性乳腺癌的诊断、分型、预后或治疗结果预测的性能评估：一项系统综述

    评估鉴于组织病理图像的机器学习模型在女性乳腺癌诊断、分类和预后方面的性能，并说明了外部验证的重要性和存在的挑战。

    Dec, 2023

  • 基于专家认知的安全噪声标签学习，用于乳腺癌残留肿瘤的精确分割

    本文提出了一种基于专家认知的安全噪声标签学习方法来解决新辅助化疗后乳腺癌中残留肿瘤的准确分割问题，并展示了该方法在处理该问题中的优势和潜在潜力，同时公开了更好的预测模型。

    Apr, 2023

  • 基于 DWI 数据的乳腺癌新辅助化疗反应自动预测

    该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。

    Apr, 2024

  • PD-DWI: 基于生理分解扩散加权 MRI 机器学习模型预测侵袭性乳腺癌新辅助化疗的响应

    使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。

    Jun, 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

  • 基于放射组学的多模态自注意力网络用于预测乳腺 MRI 的病理完全缓解

    利用动态对比增强磁共振成像 (DCE MRI) 和表观弥散系数 (ADC) 图，本研究提出了一种模型来预测乳腺癌患者的病理完全缓解 (pCR)，利用深度学习和放射组学特征提取，相较于其他基准方法，我们的模型在预测 pCR 方面表现出优越性能。

    Jun, 2024

  • 利用卷积神经网络和注意机制进行子宫内膜组织病变智能辅助诊断

    本研究提出一种基于深度学习的 CADx 方法，使用卷积神经网络和注意力机制来对子宫内膜癌进行诊断。实验结果表明，该方法在诊断准确率上优于人类专家和其他深度学习基础算法。

    Apr, 2019

  • 学习何处关注：一种用于自动免疫组化评分的新型注意力模型

    提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

    Mar, 2019

  • 基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

    利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

    Oct, 2023

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024