本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法，并在真实数据集上对其进行了检测实验研究，取得了最先进的检测结果。

Jan, 2023

我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

Mar, 2024

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020

本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中，可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化，从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%，同时保持与竞争的全监督方法相当的癌症检测准确性（AUC 值 0.961 vs 0.966）。

May, 2024

通过使用深度多实例网络对乳腺摄影进行分类，本文成功地实现了对乳腺癌进行计算机辅助诊断，消除了传统方法中昂贵的手动标注和特定计算模型的需要。该文在 INbreast 数据集上开展的实验结果表明，所提出的深层网络相对于先前使用分割和检测注释进行训练的工作具有更好的鲁棒性。

Dec, 2016

为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

Apr, 2023

本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

Jun, 2019

本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

Oct, 2019