通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。

Mar, 2024

本研究开发了一个深度学习系统，利用细胞病理医生注释的图像样本对前列腺癌组织学图像进行 Gleason 评分，精度达 0.70，较普通病理医生有较大改善，有望提高患者预后评估准确性，并且可以更细致地描述和量化肿瘤形态学。

Nov, 2018

本篇论文旨在开发基于深度学习技术的系统，以支持病理学家对前列腺活检材料进行分析，并从中检测 Gleason 网格 4 的癌性模式。通过训练自设计的简单神经网络模型，我们获得了比现有模型更好的 Gleason 等级分类结果，并且在癌性模式检测和活检 Gleason 评分方面也取得了良好的效果。

May, 2021

本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。

May, 2017

本文提出了一种使用图卷积网络（GCN）进行组织微阵列（TMA）级别标注的弱监督方法，作为格里森分数的客观评级替代方案，并通过对细胞形态学特征的自监督学习，实现了对组织生成、肿瘤细胞群落结构的更好建模。五倍交叉验证结果显示，该方法可以在 TMA 级别标注下达到 0.9659±0.0096 的 AUC 值，具有显著性能提升。

Oct, 2019

本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

Nov, 2018

本文提出了一种基于注意力机制的多实例学习模型，用于幻灯片级别癌症分级和弱监督区域兴趣检测，并在前列腺癌中进行了实验，其利用可视化显著性图来选择信息瓷砖，提高了细粒度等级分类的性能。

May, 2019

通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

May, 2024

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

本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

Jan, 2020