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
本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。
Oct, 2019
本文介绍一种使用SimCLR方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在ImageNet上预训练的网络，F1平均分提高了28%以上。
Nov, 2020
本文研究了自监督学习在数字病理学中的应用，探讨了其在非物体中心数据集上的不同表现，提出了不同的视角生成和超参数调整方法，并通过大量实验分析证明了对组织分类下游任务有积极的影响。
Dec, 2021
利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。
Sep, 2023
我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。
Mar, 2024
深度学习在医学图像分类方面取得了显著的进展，然而在组织病理学图像分类中，噪声标签表示了一个关键挑战，导致深度学习模型性能严重下降。本研究通过对多个数据集进行彻底的经验分析，展示了基于自监督对比训练方式训练的基础模型所提取出的嵌入向量对标签噪声具有较强的鲁棒性。与非对比学习方法以及常用的噪声鲁棒方法相比，使用这种嵌入向量训练能显著提高标签噪声鲁棒性，充分证明对比学习在有效降低标签噪声挑战方面的卓越性能。
Apr, 2024
使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1分数为0.8188，精确度为0.7692，特异度为0.8971，超过现有的方法。该模型在有限标记数据的场景下表现出韧性，因此在标记数据有限的真实临床环境中具有高效性，研究结果表明，监督对比学习结合预训练的视觉转换器似乎是进行IDC准确分类的可行策略，从而为通过组织病理学图像分析更高效可靠的乳腺癌诊断铺平了道路。
本研究解决了乳腺超声视频中的肿瘤分类问题，采用了三元组网络和自监督对比学习技术，从未标记的超声视频片段中学习特征表示。实验结果表明，模型在接收操作特征曲线（AUC）上达到了0.952，显著优于其他模型，大幅降低了对标记数据的需求，具有应用于自动乳腺超声图像诊断的潜力。
Aug, 2024
本研究针对乳腺癌分类面临的准确性问题，提出了一种创新且精确的方法，通过比较主流卷积神经网络模型在不同图像数据集上的表现，识别其最佳超参数。我们的研究发现，通过集成多种高效模型，能够显著提升分类准确率，比如在BreakHis数据集上达到99.75%的准确率。
Oct, 2024