通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。

Mar, 2024

单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。

Jun, 2024

通过对 ResNet-34 模型的综合子群性能分析和特征检查，我们发现在种族和生物性别方面存在偏见，且在特征分布上存在统计学上的显著差异，这表明脑龄预测模型需要进一步分析。

Sep, 2023

利用机器学习模型时，如何处理偏差和公平性对不同人群的模型结果产生的影响是至关重要的。本文研究了在基于脑磁共振图像（MRI）开发机器学习模型时与性别相关的偏差问题，通过使用仅女性、仅男性和平衡数据集进行的脑龄预测实验设计，在多个 MRI 数据集上（Calgary-Campinas 和 CamCAN）对所提出的模型泛化能力进行了评估，并发现了在不同性别子组和数据集上训练的模型在脑龄预测的性能和决策（使用可解释性模型评估）方面存在差异，结果表明在不平衡数据集上训练的模型的泛化能力在性别特定子组之间存在差异，突出了谨慎实验设计在产生公平可靠结果中的关键作用。

Oct, 2023

本文提出了一种可解释的池化方法用于多实例学习，该方法利用负包的实例级信息（即健康个体的同质良性细胞），提高了异常实例的贡献度，从而解决了在罕见贫血疾病分类中缺乏训练数据和实例级注释等问题，并优于标准 MIL 分类算法并提供了其决策背后的有意义的解释。

Jul, 2022

根据病人的生存预测，本研究提供了数据分析和可解释的机器学习模型，以支持确定最适合的治疗方案；该研究的结果表明，这一模型能够安全地支持专家的决策，并有潜力开展新的研究方向，以改善治疗和预测标志物。

Jul, 2023

本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种 ALL 细胞亚型并具有 98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。

Jul, 2022

通过集成学习减少机器学习模型的偏见，研究提供了包括性别属性偏见和工资预测差异在内的实证证据，并呼吁采用混合模型以实现公平和包容的数据驱动社会。

Oct, 2023

一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

Jun, 2024

利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

Dec, 2023