- 基于知识驱动的子空间融合和梯度协调的多模态学习
通过分解组织学图像和基因组学的特征子空间，反映不同的肿瘤和微环境特征，我们提出了一种生物解释性和稳健的多模态学习框架，以高效地整合组织学图像和基因组学，从而解决了肿瘤生态系统中肿瘤和微环境共同增加恶性的内在复杂性问题。
- 跨领域对比学习用于无配对的 H&E 到 IHC 染色转换
通过提出混合域对比学习（MDCL）方法，在未配对的 H&E 到 IHC 染色转换中利用不同领域的病理信息聚合，提高相应补丁之间的病理一致性和生成的 IHC 图像不同位置的补丁的不一致性组件，取得了多个度量标准下的最先进性能。
- AWGUNET: 基于注意力引导小波 U-Net 的组织病理图像细胞核分割
准确的核分割对于癌症诊断至关重要。本文提出了一种将 U-Net 架构与 DenseNet-121 主干相结合的分割方法，利用两者的优势捕捉全面的上下文和空间信息。我们的模型引入了小波引导通道注意模块以增强细胞边界勾画，并使用可学习的加权全局 - 黑素细胞皮肤肿瘤全切片图像中感兴趣区域检测 -- 痣和黑素瘤
利用深度学习方法对组织学图像进行区域兴趣点检测，能够降低成本、提高癌症诊断速度和准确性，尤其在黑色素瘤皮肤肿瘤方面表现出良好的性能。
- 用于诊断全幻灯片图像的语义感知注意引导
精确的癌症诊断在数字病理学中仍然是一个重要挑战，主要是由于全幻灯片图像中的巨像素大小和复杂空间关系所致。本文引入一种名为 Semantics-Aware Attention Guidance（SAG）的新框架，通过将诊断相关实体转换为注意信 - 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准
癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。
- 基于贝叶斯网络和深度学习的癌症影像诊断改进：一种贝叶斯深度学习方法
利用人工智能和机器学习的理论和算法，本研究探讨深度学习和贝叶斯网络预测模型在癌症诊断中的应用，构建了一种结合两者优势并最小化弱点的贝叶斯深度学习模型，并分析了该方法在医疗领域图像分类中的应用和准确性。
- 通过整合多分辨率特征实现准确的空间基因表达预测
TRIPLEX 是一个深度学习框架，通过整合多分辨率特征来准确预测基因表达，相较于现有的模型，在均方误差、平均绝对误差和皮尔逊相关系数方面表现优秀，并能够与基因表达谱和肿瘤注释密切匹配，强调其在癌症诊断和治疗方面的潜力。
- 自我监督学习全尺寸切片表示的框架
自我监督整个切片学习（S3L）框架可以通过利用整个切片的固有区域异质性、组织学特征变异性和信息冗余性来学习高质量的整个切片表示，用于癌症诊断和基因突变预测等诊断任务，并且在两种生物医学显微镜条件下显著优于基线模型。
- SEINE：用于核实例分割的结构编码与交互网络
该研究提出了一种名为 SEINE 的结构编码和交互网络，用于核实例分割，在生物分析和癌症诊断中具有重要意义。SEINE 通过引入轮廓为基础的结构编码（SE），结构引导的注意力（SGA），语义特征融合（SFF）和位置增强（PE）等方法，提高了 - 传统方法的超越：乳腺超声诊断的多任务网络
乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法， - 基于重新设计的自训练的半监督语义分割之白细胞
通过引入 FixMatch 的自训练流程，以解决白血细胞（WBC）分割的大规模标记数据集缺乏和过时分割方法等挑战，本研究提出了一种半监督学习框架。通过在 DeepLab-V3 架构和 ResNet-50 上实现自我训练方案的一致性，我们在 - 知识引导的机器学习在癌症诊断和预后中的应用综述
综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。
- 有限训练数据下的自监督学习用于皮肤癌诊断
在本文中，我们展示了使用一种称为 Barlow Twins 的自我监督学习算法进行预训练的模型可以胜过常规的监督转移学习流程，该模型在小型标记皮肤病变数据集上进行微调后，在大型测试集中取得了 70% 的平均测试准确率，相比于监督转移学习的 - 利用 Transformer 改进多模态和纵向数据的乳腺癌分类和风险评估
通过多模态变压器（MMT）神经网络，综合使用乳腺 X 光摄影和超声波，针对目前患癌患者和目前无癌患者，识别患者及估计未来胸部癌症风险的研究表明，MMT 在检测现有癌症方面取得了 AUROC 值为 0.943 的成绩，并超过了单模态基线，对于 - 基于人工智能和大数据的患者特定的肿瘤生长机制模型
癌症治疗的个性化递送可能通过根据每个病人预计的反应个性化的递送来取得进展，而目前面临的基本障碍是缺乏严谨但实用的肿瘤发生、发展、扩散和治疗响应的数学理论。在这篇综述中，我们讨论了肿瘤生长和治疗建模的不同方法，包括基于 “大数据” 和人工智能 - 肺癌深度学习综述
提供了对癌症分类方法的历史观点，讨论了癌症诊断领域的基本知识，包括癌症诊断过程和临床医生采用的标准分类方法。当前的癌症诊断方法被认为是无效的，需要新的更智能的方法。
- 数字病理中的可解释且位置感知学习
本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症 - 上下文感知自监督学习整张切片图像
本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下 - 采用无监督 CAE 方法实现更透明和准确的癌症诊断
通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于