该论文通过对过去 10 年深度学习在乳腺癌成像研究的概述和整理，阐述了深度学习在乳腺癌筛查、诊断、治疗反应预测和预后方面的应用，同时探讨了深度学习在乳腺癌成像方面未来研究的挑战和展望。

Apr, 2023

综合人工智能系统需要不仅能够用不同的 ` 感官 '（例如视觉和听觉）感知环境，还需要推断世界的条件（甚至因果）关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用，讨论了贝叶斯深度学习与神经网络等其他相关主题之间的关系和差异。

Apr, 2016

本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

May, 2023

通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

Apr, 2019

该论文提出了一种交互式系统，通过利用最先进的可解释性技术与深度学习模型，帮助放射科医生在乳腺癌筛查中理解模型决策的过程，并且利用用户交互逐步提供更细致的可解释性报告，从而促进医学 AI 的采纳。

Sep, 2022

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019

对 42 篇研究进行了系统综述，旨在讨论深度学习模型如何支持癌症生物学的推理，并重点关注多组学分析。我们介绍了一种称为生物中心可解释性的概念，并根据其分类方法讨论了在这些模型中整合领域先验知识的表征方法。分析表明，编码先验知识和改进解释性之间存在趋同性，这是深度学习模型形式化生物解释性和发展不那么特定于问题或应用的方法的重要一步。

Jul, 2022

介绍了一种称为贝叶斯深度学习的统一框架，将深度学习和贝叶斯模型紧密融合，以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用，以及与贝叶斯神经网络的关系和区别。

Aug, 2016

本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

Apr, 2023