本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

May, 2019

本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法，通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。

Jul, 2023

提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

Apr, 2024

通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成。这些关键特性使其非常适合增加真实患者数据，从而使神经网络能够在更多样化和全面的数据分布上进行训练。

Nov, 2023

评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

Apr, 2024

本研究使用 2453 个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无 IDC 的数据，分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用，研究发现 ResNet50 模型的准确率可达 90.2％，曲线下面积（AUC）率为 90.0％，召回率为 94.7％，不适当损失为 3.5％。

Apr, 2023

本文提出一种基于卷积神经网络模型的计算机辅助诊断系统，通过迁移学习和微调层次，探索了在大数据稀缺的情况下分类乳腺肿块病变的方式，与其他方案相比表现更佳。

Nov, 2017

磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

Jun, 2024

利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类，在基准数据集中，ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调，在不使用数据增强方法的情况下，通过保持数据集平衡以提高准确度的重要性，并通过 F1 分数、AUC、精确度和召回率等评估指标实验性地验证了我们的方法并与其他分类算法进行比较。

Sep, 2023

提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

Jun, 2024