本文使用卷积神经网络（ConvNets）提出了一种用于直肠癌组织分类的系统，并探究了组织分类中染色归一化的重要性，同时报告了ConvNets在一批直肠癌样本和一组公开的结直肠H&E图像数据集上的表现。

Feb, 2017

使用细胞图卷积神经网络（CGC-Net）将大肠癌组织学图像转化为图形，并采用Adaptive GraphSage技术融合不同层级的特征，以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越，描述新型的 CRC 分级方法。

Sep, 2019

提出了一种针对罕见癌变组织的组织图像生成方法，命名为XM-GAN，可通过少量基础和参考图像生成高质量且多样化的图像，并用于组织图像分类任务中的数据扩增，表现优于基准分类器。

Apr, 2023

使用U-Net多任务模型结合颜色和统计学增&测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在CRC检测（SemiCOL）2023挑战上，该方法在被部分标注的数据集上取得了.8655的Dice分数（Arm 1）和.8515的Dice分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的AUROC值。

Apr, 2023

探究利用声学分辨光声显微镜（ARPAM）机器学习方法对结直肠组织进行良恶性分类以提高诊断效率和降低患者痛苦的研究。

Jul, 2023

开发了一种1D深度学习工具用于乳腺癌分型和生化贡献的评估，该模型基于高光谱图像和CaRNet-V1，对乳腺癌、邻近组织以及分子亚型的分类具有高准确性，并能够评估对分类的生化影响，有潜力应用于乳腺癌活检的评估以及其他相关研究如治疗效果评估和新诊断治疗方法的开发。

Oct, 2023

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

使用5-ALA辅助荧光引导，通过高光谱成像对184名患有低级别和高级别胶质瘤以及其他脑肿瘤的患者的891个高光谱测量进行了评估，训练了四个机器学习模型以进行肿瘤分类和辨别，结果表明五个发光物质在不同组织类型中的丰度存在差异，并展示了作为光学生物标志物具有潜在价值，为荧光引导神经外科手术中的围手术期分类系统提供了新机遇。

Nov, 2023

通过知识蒸馏将局部纹理信息从少量组织样本中提取出来，以改善标准CNN特征，并在低数据情况下实现了改进的分类性能。

Jan, 2024

通过稀疏成像方法，将中红外光热成像技术应用于卵巢癌检测，实现了数据采集速度提升10倍，并利用随机森林和卷积神经网络模型对超过65百万个数据点进行了分析，证明了该方法能够产生优秀的图像质量，并以超过95%的分割准确率准确区分不同的妇科组织类型。

Feb, 2024