基于 Google 的 MobileNetV2 模型，利用来自埃及开罗的 Baheya 医院的数据集，该研究引入了一种复杂的转移学习模型，用于对乳腺癌肿瘤进行分类，分为正常、良性和恶性三类，采用 1576 张超声图像（265 张正常、891 张良性、420 张恶性）。该模型实现了 0.82 的准确率，0.83 的精确率，0.81 的召回率，0.94 的 ROC-AUC，0.88 的 PR-AUC 和 0.74 的 MCC。它研究了图像强度分布和错误分类，为未来的应用提供了改进。通过解决数据集不平衡问题，该研究确保了一个具有普适性的模型。此外，本论文探讨了基于 Streamlit 的实时肿瘤分类部署，展示了 MobileNetV2 在医学成像中的适用性，并为肿瘤诊断领域的未来研究设定了一个基准。

Dec, 2023

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

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019

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

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

此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

Mar, 2018

通过对 BreakHis 数据集中的乳腺癌病例进行深度学习模型的评估，本研究发现 Xception 模型在诊断准确率、F1 得分等方面表现最佳，对于正确诊断乳腺癌具有重要意义，为改进乳腺癌诊断方法和促进新治疗策略的创建做出了重要贡献。

Sep, 2023

本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

Mar, 2017

通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

Mar, 2024

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