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

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

该论文提出了一种基于迁移学习和支持向量机分类器的方法，用于对乳腺癌组织病理学图像进行分类，实现了除去不相关区域从而提高分类准确率的目的，相较于现有技术，在 4 个乳腺癌放大倍数中，已有三个倍数的方法表现更为优异。

Apr, 2019

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

Oct, 2023

癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

Nov, 2023

通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

May, 2024

此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

Mar, 2018

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

该研究开发了一种新方法，使用人工智能算法解决乳腺癌组织病理学图像 HER2 染色的颜色标准化问题，该方法将颜色分离方法与 Pix2Pix GAN 网络相结合，以保持细胞的 HER2 评分，并在维持细胞类别的同时生成逼真的图像。

May, 2023

本研究使用 VGG19 模型进行三种可视化方法操作，包括 Gradient、LRP Z 和 LRP Epsilon，与三种像素选择方法操作，包括 Bins、K-means 和 MeanShift，以对恶性和良性的组织学图像进行分类，并比较所得到的感兴趣区域与病理学家的独立标注的结果，结果表明，Gradient 可视化方法和 MeanShift 像素选择方法可满足图像可视化的需要。

May, 2023