该研究通过 VGG16-CNN 分类方法对 TCGA 数据平台中的子宫颈组织数字切片进行分类，准确率为 98.26%，F1 分数为 97.9%，这证实了迁移学习在该弱监督任务上的潜力。

May, 2020

本文调查了 120 多篇基于深度学习的细胞学图像分析研究，介绍了全监督、弱监督、无监督和迁移学习等深度学习方法，并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用，探讨了细胞学计算的挑战和未来研究方向。

Feb, 2022

该论文通过对过去 10 年深度学习在乳腺癌成像研究的概述和整理，阐述了深度学习在乳腺癌筛查、诊断、治疗反应预测和预后方面的应用，同时探讨了深度学习在乳腺癌成像方面未来研究的挑战和展望。

Apr, 2023

本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

Dec, 2019

本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

Feb, 2018

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

本研究使用机器学习技术对多中心和多人群结肠镜图像中出现的息肉进行检测和分割，并分析了表现最好的团队的结果，发现准确性高于即时性能，并提出了需要提高模型泛化性来应对多中心数据集中的多样性的观点。

Feb, 2022

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

通过利用不同但相关临床研究中收集的跨领域子宫颈图像，我们提出了一种基于原型的知识过滤方法，用于改善定向子宫颈数据集上模型的性能，实验证据显示我们的方法在顶级准确率、精确度、召回率、F1 分数和 ROC-AUC 上分别比最先进的子宫颈畸形视觉检查法提高了 4.7%、7.0%、1.4%、4.6% 和 0.05。

Aug, 2023

为了解决宫颈图像分类模型开发中的挑战，本研究提出了一种基于自我监督学习的方法来产生一个预训练宫颈模型，并利用不同来源的未标记和 / 或标记图像来开发特定标准的宫颈图像分类模型，证明了该方法的有效性和联邦自我监督学习可以提高性能。

Jan, 2022