breast cancer | BriefGPT - AI 论文速递

关键词breast cancer

搜索结果 - 147

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
卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例
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
PDF3 months ago
利用潜变量进行高效的热成像分类与分割
乳腺癌是全球关注的突出健康问题，目前是妇女第二最常见和第二致命的癌症类型。该论文提出了一种新颖的乳腺癌分类和分割算法，通过利用信息丰富的学习特征空间，简化了解决方案的使用和扩展性，并且在分类方面取得了最先进的成果，同时是首个提出研究分割区域
PDF3 months ago
基于 DWI 数据的乳腺癌新辅助化疗反应自动预测
该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自
PDF3 months ago
基于可解释人工智能的监督式机器学习方法的预测模型用于孟加拉患者的乳腺癌分类
乳腺癌是近年来患病率迅速增加的一种导致全球死亡率居高不下的常见疾病，本研究通过使用机器学习方法，特别是 XGBoost 算法，对乳腺癌进行预测和分类，发现 XGBoost 算法在 500 名患者的数据集上取得了 97% 的精确率。
PDF3 months ago
ACLIITK 参加 SemEval-2024 任务 2：探索 LLMs 在临床试验中安全生物医学自然语言推理方面的能力
对大型语言模型在处理安全生物医学自然语言推理问题上的鲁棒性和一致性进行了研究，利用检索增强生成框架对预训练语言模型进行了比较分析，并在零样本设置下评估了它们的推理和解决问题能力。
PDF3 months ago
提高乳腺癌诊断在乳房 X 射线摄影中：卷积神经网络和可解释人工智能的评估和集成
通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无
PDF3 months ago
利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分
使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。
PDF3 months ago
利用人机协同学习对乳腺癌医学图像进行分割、分类和解读
使用人主导策略进行医学领域机器学习模型训练的应用研究，以整合基因组数据和乳腺癌的全切片图像分析为例，探索了人工专家在处理大规模和复杂数据中的作用以及该方法的局限性。
PDF3 months ago
使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道
通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。
PDF4 months ago
基于梯度提升算法的乳腺癌分类，重点减少假阴性并使用 SHAP 解释性
通过使用四种提升算法：AdaBoost、XGBoost、CatBoost 和 LightGBM，研究了乳腺癌的预测和诊断，以及针对召回率、ROC-AUC 和混淆矩阵的最有效度量标准。同时使用 Optuna 进行超参数优化，利用 SHAP 方
PDF4 months ago
指向便携式超声成像乳腺癌分类方法的非同源检测
通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于 softmax 方法，而深度集成方法是最稳健的，在所有三个数据集上最
PDF4 months ago
社交媒体作为传感器：利用自然语言处理分析 Twitter 数据对乳腺癌药物效果的研究
通过自然语言处理技术，本论文以社交媒体数据为资源，研究了乳腺癌患者 / 幸存者的自述信息以及相关药物治疗的副作用和使用模式，揭示了社交媒体数据在乳腺癌研究中的巨大潜力。
PDF4 months ago
BioFusionNet: 通过多特征和多模态数据融合的基于深度学习的 ER + 乳腺癌生存风险分层
利用深度学习和综合多模态特征集成方法，该研究提出了一种能够准确进行生存风险分层和乳腺癌患者个性化治疗决策的方法，并应用于 ER + 乳腺癌病人，取得了优于现有方法的预测性能，同时解决了处理不平衡数据的重要问题。
PDF5 months ago
利用多模型方法整合全切片成像和临床病理特征预测乳腺癌复发风险
发展了一种多模态方法，结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险，并根据预测分数将患者分为低风险和高风险两组，提供了一种个性化治疗乳腺癌患者的替代方法，可能改善其疗效。
PDF5 months ago
BreastRegNet: 乳房 Faxitron 和组织病理图像的深度学习注册框架
通过深度学习方法进行图像配准，该方法在集成放射学和病理学信息方面具有更好的性能，从而便于生成大规模数据集，以训练更准确的乳腺癌检测模型。
PDF6 months ago
年轻三阴性乳腺癌患者生存分析
通过对 SEER 数据集的实验证实了现有研究报告，TNBC 患者在年龄方面存在不良预后，并且实验结果显示年龄对 TNBC 患者的预后和存活率没有任何显著性影响。
PDF6 months ago
无监督特征相关性模型预测乳房异常变异图谱的纵向乳房 X 光检查
针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存
PDF6 months ago
基于非线性脉冲神经元与自突触的多阶段注意力乳腺癌分类
通过引入基于 NSNP 神经元的多阶段注意架构，缓解了深度网络的降采样对信息的丢失，使卷积神经网络能够更多地关注病变区域，从而实现乳腺癌的早期诊断和治疗，进而提高患者的生存率。该方法在公共数据集 BreakHis 上进行了评估，以不同放大倍
PDF6 months ago
利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测
通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。
PDF7 months ago