Nov, 2023

基于人工智能的印戒细胞诊断：现状与未来调查

PDF
TL;DR通过对深度学习驱动的代表性算法进行分析和比较，并讨论开放问题和未来趋势，本文回溯性研究有助于相关领域的研究人员，特别是那些没有医学科学背景的人，不仅能清晰地找到 SRC 分析的大纲，还能获得智能诊断的前景，从而加快智能算法的实践和应用。
发现论文，激发创造
  • 半监督学习框架下的印戒细胞检测

    本研究提出了一种半监督学习框架，通过自我训练和合作训练相结合，有效检测出签环细胞癌，实验结果表明该设计具有针对性，可直接应用于临床试验中。

    Jul, 2019

  • 基于人工智能的组织病理学图像癌症检测和分类：系统综述

    本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

    Jan, 2022

  • 组织病理图像的再识别

    相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者，为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。

    Mar, 2024

  • 基于关系驱动自集成模型的半监督医学图像分类

    本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

    May, 2020

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 基于机器学习的无透镜成像技术用于便携式细胞计数

    本文提出了一种利用人工智能技术的自动信号增强方案和基于深度神经网络的自适应细胞表征技术，以解决 LSIT 细胞成像手段的信号弱和手工特征限制的问题，提高了细胞成像的准确度和信噪比，实现了对新细胞类型的学习和自动分类。

    Mar, 2022

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 使用最少的基于点的注释在全切片图像中检测和分类肾细胞癌

    该研究提出了一个使用半监督学习方法的框架，利用未标记的 WSI 数据通过 Minimal Point-Based 标注来准确检测癌症区域，并利用创新的混合损失来训练亚型分类模型，该模型在 3 种不同类型的肾细胞癌中的表现具有可比性和较高的 F1 得分。

    Aug, 2020

  • 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

    本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

    Sep, 2021

  • SHISRCNet: 低分辨率乳腺癌组织学图像的超分辨率和分类网络

    本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

    Jun, 2023