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

此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的“补丁-图像”分类方法，并利用ICIAR2018数据集进行验证，在验证数据集上获得了95%的分类精度。

Mar, 2018

介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用BACH挑战数据集进行评估，测试集上的准确率达到了0.99，在BACH的挑战测试中取得了0.81的准确率，排名第八。

Oct, 2018

本文提出使用深度残差卷积网络诊断乳腺癌浸润性导管管癌的方法，并对该方法进行评估，结果表明该方法对组织学图像中IDC的预测准确率达到99.29％，AUROC分数为0.9996。

Aug, 2019

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

本研究研究了应用深度学习模型和新兴模型“Vision Transformer(ViT)”进行乳腺癌的检测与诊断，结果表明ViT模型在准确性和效率方面均优于其他CNN架构，实现了95.15％的准确率。

May, 2023

该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了Inceptionv3架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

Apr, 2024

本研究针对乳腺癌早期诊断中的计算机辅助诊断系统的不足，提出了一种新型的卷积神经网络模型BCDNet。该模型能够在组织病理图像中有效检测侵袭性导管癌，准确率高达89.5%，且显著减少训练时间，具有较高的应用潜力。

Aug, 2024

本研究解决了乳腺癌组织病理图像分类中的效率问题，比较了八种深度学习模型在区分侵袭性导管癌和非侵袭性导管癌的表现。研究发现，基于注意力机制的视觉变换器模型在验证准确率上达到了93%，显著优于传统卷积网络，这表明先进的机器学习方法在临床乳腺癌诊断中的潜在应用价值。

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