深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

Oct, 2023

本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

May, 2015

本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

Jul, 2017

本研究提出了一种高效的系统，利用预训练的卷积神经网络对宫颈癌细胞进行分类，通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能，使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKMeD 数据集上进行广泛实验评估了所提出的系统。实验结果表明，该系统的效果显著，准确率达到了 97.29%。为了增强系统的可信度，我们采用了若干可解释的 AI 技术解释模型达到特定决策的方式。系统的实现可在此链接中找到 - this https URL

Feb, 2024

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

本文提出一种基于深度卷积神经网络（DCNN）的计算机辅助诊断（CAD）方法，使用不同的降维方法组合 DCNN 的特征，提高二分类任务的准确性。实验结果表明，在 BreakHis 数据集上，使用预训练 AlexNet 作为特征提取器和线性降维算法 PCA，在 23 个特征向量和累计解释方差（CEV）为 0.15 的情况下，可以将分类准确性提高 4.3％至 91.13％。

Jan, 2023

本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。

Oct, 2018

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

通过利用不同但相关临床研究中收集的跨领域子宫颈图像，我们提出了一种基于原型的知识过滤方法，用于改善定向子宫颈数据集上模型的性能，实验证据显示我们的方法在顶级准确率、精确度、召回率、F1 分数和 ROC-AUC 上分别比最先进的子宫颈畸形视觉检查法提高了 4.7%、7.0%、1.4%、4.6% 和 0.05。

Aug, 2023

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