利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

May, 2024

应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

Dec, 2016

本研究基于卷积神经网络开发了自动细胞分类流程 ConvPath，可从肺癌病理图像中识别各种类型的细胞并提取与肿瘤微环境有关的特征，基于这些特征开发了图像特征驱动的预后模型，并在两个独立队列中进行了验证。

Sep, 2018

通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

Jul, 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

通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。

Mar, 2024

通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

Sep, 2023

该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

Oct, 2016

本研究提出了使用编码器 - 解码器神经网络在全分辨率下处理胸透图像，基于 JSRT 数据集进行肺结节定位，并使用自我融合模型在 10 折交叉验证中取得 85% 的敏感度和每张图像的 8 个误报，外部数据集测试结果为 77% 敏感度和 7.6 的误报率。

Jul, 2023

通过使用预训练的 Vision Transformer 将整个高分辨率图像编码为 4096x4096 大小的补丁，并使用预训练的 BERT 模型进行基于语言建模的解码，我们建立了一个性能良好且可移植的报告生成机制，不仅能生成和评估描述图像的标题，还可以帮助将图像分类为组织类型和患者的性别。

Dec, 2023