breast cancer | BriefGPT - AI 论文速递

关键词breast cancer

搜索结果 - 146

联合流：乳腺癌诊断的恶性区域学习
通过使用组织病理学图像检测和结合多种因素（ER、PR、HER2、ALN、HG、MS）进行分类，本研究展示了在公开数据集上，利用恶性区域学习模块结合空间和频域信息，可显著提高乳腺癌的多因素和单因素诊断性能。
PDF6 days ago
基于放射学组学的人工智能方法在乳腺癌筛查和诊断中的更新综述
通过使用人工智能的图像分析方法，如放射学，改善了乳腺癌的早期诊断和分类，提高了乳腺癌患者的护理水平。
PDF12 days ago
MAMA-MIA：一项大规模多中心乳腺癌 DCE-MRI 基准数据集及专家分割
为解决乳腺癌磁共振成像（MRI）中缺乏专家标注的挑战，本研究提出了 MAMA-MIA 数据集，包括 1506 个多中心动态增强 MRI 病例的专家标注的原发肿瘤和非团块性增强区域。研究使用深度学习模型自动进行分割，并由专家进行修正，最终得到
PDF13 days ago
通过网络医学和基因人工智能加速复杂疾病治疗：以乳腺癌药物再定位为案例研究
通过结合网络医学方法和基于 GenAI 的 ChatGPT 智能引擎，该研究构建了一个多层次的网络，通过实时提取临床试验中的药物信息并与疾病特定的信号通路相连接，为复杂疾病（如癌症和阿尔茨海默病）生成药物组合疗法，展示了基于真实世界证据的药
PDF14 days ago
基于 GRU 网络的乳腺组织病理图像分割
本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对
PDF20 days ago
推进基于组织病理学的乳腺癌诊断：对多模态和可解释性的深入认识
本综述研究使用多模态数据和强调可解释性以提高乳腺癌的诊断准确度、医生信心和患者参与度，最终促进更个体化的治疗策略，并指出多模态性和可解释性方面的研究空白，引导未来研究并为该领域的战略发展作出贡献。
PDF25 days ago
基于放射组学的多模态自注意力网络用于预测乳腺 MRI 的病理完全缓解
利用动态对比增强磁共振成像 (DCE MRI) 和表观弥散系数 (ADC) 图，本研究提出了一种模型来预测乳腺癌患者的病理完全缓解 (pCR)，利用深度学习和放射组学特征提取，相较于其他基准方法，我们的模型在预测 pCR 方面表现出优越性能
PDFa month ago
乳腺癌诊断：可解释人工智能（XAI）技术的全面探索
乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI
PDFa month ago
优化合成相关扩散成像在乳腺癌肿瘤描绘中的应用
通过使用 Nelder-Mead simplex 优化策略，本研究探索了调整计算中的相关扩散成像（CDI$^s$）系数以实现乳腺癌肿瘤识别，显示出最佳的受试者工作特性曲线下面积（AUC），优于黄金标准模态 0.0044，同时查明优化后的 C
PDF2 months ago
利用多参数 MRI 与优化的合成相关扩散成像提高乳腺癌病理完全缓解预测
优化后的 CDI$^s$ 与扩散加权成像（DWI）融合的多参数 MRI 技术，可对乳腺癌病理完全缓解进行准确预测，交叉验证的准确性达到 93.28%，比之前报道的结果高出 5.5%。
PDF2 months ago
使用优化的合成相关扩散成像改进乳腺癌分级预测
利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像
PDF2 months ago
基于注意力对抗正则化变分图自编码器的乳腺组织病理图像检索与对比学习特征提取
提出了一种用于乳腺组织图像检索的新型基于注意力的对抗正则化变分图自编码器模型，结合聚类引导的对比学习作为图特征提取器，评估其在乳腺癌组织图像数据集上的性能并取得了卓越的结果，具有在临床环境中提高诊断性能的潜力，从而最终造福于患者。
PDF2 months ago
基于机器学习和分子对接的对 BindingDB 数据库配体在 EGFR、HER2、雌激素受体、孕激素受体和 NF-kB 受体的筛选
通过虚拟筛选与化学空间的探索，我们选择了针对乳腺癌治疗靶点 EGFR+HER2、ER、NF-kB 和 PR 的具有高优先级的新配体。
PDF2 months ago
乳腺 X 线摄影纵向风险预测
将一种最新的机器学习模型，LoMaR，扩展到匹配任意数量的纵向乳房摄影，并预测未来乳腺癌风险，证明长期纪录（如四个年度乳房摄影）可以显著提高未来乳腺癌风险的预测准确性。
PDF2 months ago
探索 DCE-MRI 中良性和恶性乳腺病变的运动曲线特征分类
利用 3D 特征分析动态和放射学特征可以有效区分良性和恶性乳腺病变，提高良性和恶性乳腺病变的分类准确性。
PDF2 months ago
将乳腺癌自我筛查规则嵌入 AI 回复以增强 ChatGPT 提示的可解释性
该研究探讨了生成式人工智能（以 ChatGPT 3.5 Turbo 模型为重点）与乳腺癌风险评估的复杂性，旨在评估 ChatGPT 的推理能力，着重于其处理规则和提供筛查建议解释的潜力，并通过展示 ChatGPT 在自然语言推理方面的独特能
PDF2 months ago
BC-MRI-SEG：乳腺癌 MRI 肿瘤分割基准
基于公开可用的磁共振成像 (MRI) 数据集，提出了一个基准 (BC-MRI-SEG) 来进行二元乳腺癌肿瘤分割，其中包括四个数据集，其中两个用于监督式训练和评估，两个用于无样本评估，并在基准上比较了最先进的方法，并提供了可用的公共乳腺癌
PDF2 months ago
基于有监督对比视觉变换器的乳腺组织病理图像分类
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
PDF3 months ago
乳腺癌弱标签全切片图像的 PD-L1 分类
本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自
PDF3 months ago
基于深度迁移学习的乳腺癌图像分类方法
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
PDF3 months ago