Nov, 2023

乳腺癌标本报告的分层分类系统（HCSBC）-- 一种用于评估严重程度和诊断的端到端模型

PDF
TL;DR癌症病理报告的自动分类可以从非结构化报告中提取信息，并将每个报告分类到结构化的诊断和严重程度类别中。我们开发了一种基于分层混合变压器的分类系统用于乳腺癌标本报告，并比较了我们的模型与其他几种最先进的机器学习和深度学习模型。
automated classificationcancer pathology reportsbreast pathology reportshierarchical hybrid transformer-based pipelinenlp models
发现论文，激发创造
  • 层次化深度学习集成以自动分类乳腺癌病理报告（按 ICD-O 部位分类）

    本文提出了一种基于深度学习集成模型的方法，可以自动标注阅片报告，并提高了国际癌症疾病分类（ICD-O）的拓扑分类的准确性，特别是针对乳腺癌的分类。

    Aug, 2020

  • 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

  • BRACS：一个乳腺癌 HE 组织学图像亚型划分数据集

    本文介绍了 BReAst Carcinoma Subtyping（BRACS）数据集，这是一个包含 547 张 WSI 和 4539 个感兴趣区域（ROIs）的大型数据集，可以帮助进一步了解乳腺癌的特征以及利用人工智能技术对其进行诊断和分类。

    Nov, 2021

  • 基于深度网络的 WHO 乳腺分类中肿瘤判别的搜索与匹配初步研究

    通过使用深度学习模型，我们对 WHO 乳腺肿瘤分类进行了索引和分析，以建立一个可搜索的数字化癌症图谱，从而研究常见和罕见乳腺病变之间的复杂关系。

    Aug, 2023

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    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

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 数字病理学中的分层图表示

    本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了 BReAst 癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

    Feb, 2021

  • 通过对血红蛋白和嗜酸性染色组织学图像进行迁移学习改进乳腺癌诊断

    通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

    Sep, 2023

  • 大型语言模型用于细分 Barrett 食管诊断分类

    我们开发了一种通用的基于 Transformer 的方法来自动提取 Barrett 食管炎（BE）病理报告中的关键诊断表型，进行二元非典型增生分类和多类别 BE 相关诊断分类，通过使用临床预训练的大型语言模型，我们得到了与自定义规则系统相当的性能。

    Aug, 2023

  • 利用自然语言处理从外科病理报告中提取和分类乳头状甲状腺癌特征

    ThyroPath 是一个基于规则的自然语言处理（NLP）流水线，可以自动提取和分类甲状腺癌病理报告的风险因素，并显示了在大规模上操作的潜力，并在人工提取病理信息方面实现了 100% 的准确性。

    May, 2024