探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

Oct, 2023

图像标注是医学成像和疾病诊断领域中确保患者适当治疗和追踪疗程进展的最重要任务之一。通过使用深度学习的分割算法和主动学习方法，MedDeepCyleAL 提供了一个完整的端到端框架，可自动化图像标注并在眼科数据方面表现出优越性能。

Mar, 2024

提出的 IDEAL 框架通过原型实现了解释性、抵消了解释受到干扰的问题，并且解决了灾难性遗忘的问题，同时，该方法表明 ViT 架构缩小了微调和非微调模型之间的差距，可以在一小部分时间内实现无监督方法对特征空间的目标数据集的迁移学习。

Nov, 2023

本文介绍了一种新的在线主动深度学习方法，在医学影像分析中取得了显著的性能提升，通过新的采样方法和在线学习，只需使用 25% 的标注数据，就能使深度网络的精度提高 6.30％，在二分类和多分类任务中也展现出很好的鲁棒性。

Aug, 2019

提出了一种基于主动学习的方法，可同时应用于 2D 医学图像分类、分割和 3D 医学图像分割任务，并在三个公共的挑战性医学图像数据集上验证了其有效性。

Jun, 2023

本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

Sep, 2018

这篇文章探讨了深度主动学习的现状和未来发展方向，介绍了目前现有的挖掘数据特征的多种方法，并且对 “深度主动学习” 进行了定义和系统梳理。

Aug, 2020

通过原型评估框架 (PeF-C) 定量评估领域知识基础上的原型质量，我们首次系统评估使用我们的 PEF-C 定制的乳腺癌医学图像原型，发现原型质量有待改善以提高相关性、纯度和学习多样性。

Mar, 2024

使用神经影像学（CT，MRI）数据以支持痴呆症的诊断，特别是阿尔茨海默病。通过使用深度学习方法自动分析并发现新的图像生物标记，我们提出了一种基于部分原型神经网络（PP-NN）的模型 PIPNet3D，并应用于阿尔茨海默病的临床研究。结果表明，PIPNet3D 是一种可解释的、紧凑的阿尔茨海默病诊断模型，其推理过程与医学领域知识相吻合，且具有与其黑盒模型相同的准确度。

Mar, 2024

介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

Jun, 2018