通过压缩和优化 P-NET 的网络结构，我们开发了一种更准确高效的前列腺癌患者病情预测模型 PR-NET，该模型在预测前列腺癌患者的结果方面表现出色，相比 P-NET 和其他六种传统模型有显著的优势，并显示出在识别前列腺癌关键生物标志物方面的增强预测能力和效率。

Mar, 2024

本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

May, 2019

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

Apr, 2018

评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

Apr, 2024

通过深度神经网络和生物学信息，研究了关于前列腺癌发现的生物模型，论证了网络稀疏化对性能的重要性，并探索了多种神经网络结构和方法在临床预测任务中的不同预测结果。

Sep, 2023

通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

Nov, 2023

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023

通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。

Mar, 2024

通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成。这些关键特性使其非常适合增加真实患者数据，从而使神经网络能够在更多样化和全面的数据分布上进行训练。

Nov, 2023