应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

Nov, 2023

利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

Dec, 2023

本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种 ALL 细胞亚型并具有 98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。

Jul, 2022

一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

Jun, 2024

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型，用于高效自动识别肺癌和结肠癌，模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。

Jun, 2022

发展和应用以患者为导向的系统中，机器学习作为一种有前途的技术能够预测心血管疾病，本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性，结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性，还取决于数据的预处理技术，尤其是数据标准化。

Aug, 2023

本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

May, 2024

使用自编码器创建患者表型的低维嵌入，比较采用连接时间步长的输入的自编码器和递归序列到序列自编码器的性能，通过使用 Beth Israel Deaconess Hospital 的最新 MIMIC III 数据集对近 35,500 名患者进行评估。

Mar, 2017