Oct, 2023

双通道卷积神经网络利用微傅里叶红外光谱成像来预测乳腺癌亚型及生物标志物水平：雌激素受体、孕激素受体、HER2 和 Ki67

PDF
TL;DR该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。
breast cancermolecular subtypesdeep learningbiomarkerscarenet-v2
发现论文，激发创造
  • 基于一维卷积神经网络模型的乳腺癌亚型分类与生化内容评估，利用微红外光谱图像

    开发了一种 1D 深度学习工具用于乳腺癌分型和生化贡献的评估，该模型基于高光谱图像和 CaRNet-V1，对乳腺癌、邻近组织以及分子亚型的分类具有高准确性，并能够评估对分类的生化影响，有潜力应用于乳腺癌活检的评估以及其他相关研究如治疗效果评估和新诊断治疗方法的开发。

    Oct, 2023

  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • 联合流：乳腺癌诊断的恶性区域学习

    通过使用组织病理学图像检测和结合多种因素（ER、PR、HER2、ALN、HG、MS）进行分类，本研究展示了在公开数据集上，利用恶性区域学习模块结合空间和频域信息，可显著提高乳腺癌的多因素和单因素诊断性能。

    Jun, 2024

  • 应对 HER2 乳腺癌组织学图像分类中的不确定性：一种可解释的集成方法与阈值筛选的单实例评估（SIE）

    该研究提出了一种集成方法，结合 HER2 表达的多分类，从乳腺癌组织病理切片图像中诊断乳腺癌，通过与现有模型的比较，该方法取得了 97.12% 的准确率，并有显著改进。

    Aug, 2023

  • 基于深度学习的乳腺癌肿瘤和免疫表型的组织病理预测

    通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

    Apr, 2024

  • 用于乳腺癌组织学图像分类的分层 ResNeXt 模型

    介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。

    Oct, 2018

  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 2023

  • 基于机器学习和分子对接的对 BindingDB 数据库配体在 EGFR、HER2、雌激素受体、孕激素受体和 NF-kB 受体的筛选

    通过虚拟筛选与化学空间的探索，我们选择了针对乳腺癌治疗靶点 EGFR+HER2、ER、NF-kB 和 PR 的具有高优先级的新配体。

    May, 2024