本论文研究了少样本学习（FSL）的实际问题，通过利用充足的正常样本，提出了 PatchProto 网络用于少样本异常分类。与传统方法不同，PatchProto 网络仅提取感兴趣区域的缺陷 CNN 特征，并将其作为少样本学习的原型。实验结果显示 PatchProto 网络显著提高了少样本异常分类的准确性。

Oct, 2023

该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了 Inceptionv3 架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

Apr, 2024

本文提出了基于原型网络和对比学习的少样本异常检测模型 (FSL-PN)，以应对工业网络攻击对工业网络安全的威胁。实验结果表明，FSL-PN 模型在少样本检测场景下能够显著提高异常信号的 F1 值和降低误报率 (FAR)。

Feb, 2023

通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

Nov, 2017

通过比对 NLP 模型与 CNN 模型预测九种大肠癌生物标志物的结果，本研究表明 NLP 模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下 NLP 模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP 模型已经可以成为数字病理领域的新基础模型。

Feb, 2023

基于深度学习的自适应深度控制双向扩散（ADBD）网络通过域迁移方法，可以与小的训练集合一起工作，并通过源信息引导克服扩散过拟合。该网络通过混合全局和局部关注优先级指导双向扩散，确保迁移成功。此外，它还通过自适应深度控制策略模拟生理转化，能够生成具有相应软标签的无限交叉领域中间图像。ADBD 网络对克服病理图像数据不足具有有效性，并且支持进一步病理学相关研究。

Nov, 2023

本论文提出了基于自动化的深度学习算法的 Lung CT 肺癌诊断系统 DeepLung，该系统由结节检测和分类两个组件组成，其中结节检测使用 3D Faster R-CNN 和 3D 双路径块，结节分类使用 3D 双路径网络特征的梯度提升机（GBM）进行，DeepLung 系统在 LIDC-IDRI 公共数据集上的实验结果表明，该系统在结节级别和患者级别诊断性能与经验医生相当。

Jan, 2018

本文提出了一种基于语言引导的原型网络 (LPN)，通过引入语言模态和计算视觉特征向量之间的相似性，从而改进了少样本分类任务。实验结果表明，该方法在基准数据集上具有与最先进方法相当的竞争力。

Jul, 2023

本文提出了一种自我监督的深度学习算法，采用 CNN 实现对病理图像的多任务分类，并结合具有内在标签的预处理任务来实现半监督学习和领域自适应。实验结果表明该算法在病理学图像分类任务中具有较高的性能表现，并能够适用于其他计算病理学应用领域中。

Aug, 2020

提出了一种基于弱监督深度强化学习框架的深度神经网络方法，可以快速有效地进行数字病理学领域中含有丰富组织特征信息的高分辨率全幅病理图像分析，而不需要基于像素级别的像素注释数据集。

May, 2022