Ten-year Survival Prediction for Breast Cancer Patients
Emory University（埃默里大学）
本报告评估了不同的机器学习方法对乳腺癌患者10年生存率的预测。
2019-11-02 cs.LG stat.ML
Predicting Cancer Treatments Induced Cardiotoxicity of Breast Cancer Patients
University of Minnesota（明尼苏达大学）
乳腺癌治疗诱导的肿瘤毒性（即，化疗、靶向治疗和放射治疗）是乳腺癌患者的一个重要问题。接受不同治疗的乳腺癌患者的心脏毒性风险仍不清楚。我们使用EHR数据开发并评估了乳腺癌患者心脏毒性的风险预测模型。预测CHF、CAD、CM和MI的AUC评分分别为0.846、0.857、0.858和0.804。在调整心血管健康的基线差异后，接受化疗或靶向治疗的患者似乎比接受放疗的患者具有更高的心脏毒性风险。由于不同乳腺癌治疗组之间基线心脏健康的差异，建议谨慎解释这些治疗的心脏毒性作用。
2022-01-31 cs.LG stat.AP
Deep Movement Primitives: toward Breast Cancer Examination Robot
University of Lincoln（林肯大学）；Polytechnic University of Milan（米兰理工大学）
乳腺癌是世界上最常见的癌症类型。执行自主乳房触诊的机器人系统可以对全球相关卫生部门产生重大影响。然而，用于具有不同几何形状的乳房触诊的机器人编程是非常复杂且未解决的。机器人学习从示范（LfD）减少编程时间和成本。然而，现有的LfD缺乏作为视觉感官信息的显式函数的操纵路径/轨迹的建模。本文提出了一种新的方法来操纵路径/轨迹规划称为深运动原语，成功地产生了机械手的运动，达到乳房体模，并执行触诊。我们展示了我们的方法的有效性，通过一系列真正的机器人实验达到和触诊乳房幻影。实验结果表明，我们的方法优于国家的最先进的方法。
2022-02-14 cs.AI cs.LG cs.RO
Investigate the Correlation of Breast Cancer Dataset using Different Clustering Technique
The University of Southern Mississippi（南密西西比大学）
本文的目的是探索如何在没有事先训练模型的情况下，在无监督学习的背景下分析乳腺癌数据集。本文研究了不同的方法聚类技术以及预处理。这种深入的分析建立了足迹，可以进一步用于设计一个最强大和准确的医疗预后系统。本文还重点讨论了不同基准测试技术下数据点的相关性。关键词：乳腺癌数据集，聚类技术霍普金斯统计，K-均值聚类，k-中心点或中心点周围分区（PAM）
2021-09-03 cs.LG
Prediction of breast cancer recurrence using Classification Restricted Boltzmann Machine with Dropping
Wrocław University of Technology（弗罗茨瓦夫理工大学）
在本文中，我们应用分类限制玻尔兹曼机（ClassRBM）的预测乳腺癌复发的问题。根据波兰国家癌症登记处的数据，仅在2010年，乳腺癌就占波兰所有癌症诊断病例的近25%。我们提出了如何使用ClassRBM来预测乳腺癌复发并发现疾病复发的相关输入（症状）。接下来，我们概述了一个用于学习带有掩码的玻尔兹曼机的一般概率框架，我们称之为Dropping。生成掩码的方式导致不同的学习方法，即，DropOut、DropConnect。我们提出了一种新的方法称为DropPart，这是一个推广的DropConnect。在DropPart中，使用Beta分布而不是DropConnect中的Bernoulli分布。最后，我们使用由卢布尔雅那肿瘤研究所提供的949例病例组成的真实数据集进行了实验。
2013-10-30 cs.LG
Biomarker Gene Identification for Breast Cancer Classification
University of Delhi（德里大学）；Hans Raj College（Hans Raj学院）
背景：乳腺癌已成为女性中最常见的癌症之一，导致高死亡率。由于乳腺癌的异质性，需要鉴定与乳腺癌亚型相关的差异表达基因，以便及时诊断和治疗。目的：为了识别四种乳腺癌亚型中的每一种亚型的小基因集，可以作为其签名，本文提出了一种新的基因签名识别算法。方法：本工作使用可解释的AI方法来研究用于亚型分类的深度神经网络所做的预测，以使用TCGA乳腺癌RNA序列数据来识别生物标志物。结果：所提出的算法导致发现了一组43个差异表达的基因签名。我们取得了竞争力的平均10倍的准确度为0.91，使用神经网络分类。此外，基因集分析揭示了几个相关的途径，如ERBB2和p53信号通路中的GRB 7事件。使用Pearson相关矩阵，我们注意到亚型特异性基因在每个亚型内相关。结论：所提出的技术使我们能够找到一个简洁和临床相关的基因签名集。
2021-11-29 cs.LG
Breast cancer detection using artificial intelligence techniques: A systematic literature review
University of Sharjah（沙迦大学）
癌症是对人类最危险的疾病之一，但还没有找到根治的方法。乳腺癌是最常见的癌症类型之一。根据国家乳腺癌基金会的数据，仅在2020年，美国就诊断出超过276，000例浸润性乳腺癌新发病例和超过48，000例非浸润性病例。为了正确看待这些数字，这些病例中有64%在疾病周期的早期被诊断出来，使患者有99%的生存机会。人工智能和机器学习已被有效地用于检测和治疗几种危险疾病，帮助早期诊断和治疗，从而增加患者的生存机会。深度学习旨在分析影响严重疾病检测和治疗的最重要特征。例如，可以使用基因或组织病理学成像来检测乳腺癌。基因水平的分析非常昂贵，因此组织病理学成像是用于检测乳腺癌的最常用方法。在这项研究工作中，我们系统地回顾了以前在深度学习和机器学习的帮助下使用基因测序或组织病理学成像检测和治疗乳腺癌的工作。我们也提供建议，研究人员谁将在这一领域的工作
2022-03-08 cs.AI cs.CV cs.LG
Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability
Qatar University（卡塔尔大学）；University of Sharjah（沙迦大学）
本综述聚焦乳腺癌诊断领域，探索组织病理学图像与非图像数据融合的多模态技术，结合XAI提升诊断可解释性，以优化诊断效果、推动个性化治疗，并指明未来研究方向。
2024-06-07 cs.AI cs.CV cs.LG
Enhancing Breast Cancer Prediction with LLM-Inferred Confounders
Wheeler High School（惠勒高中）
利用大语言模型推断混杂因素以提升乳腺癌预测，通过改进随机森林模型性能，促进早期诊断和临床决策。
2025-11-20 cs.LG q-bio.QM
Double Transfer Learning for Breast Cancer Histopathologic Image Classification
State University of Ponta Grossa（蓬塔格罗萨州立大学）；Pontifical Catholic University of Paraná（巴拉那天主教大学）；Federal University of Parana（巴拉那联邦大学）
这项工作提出了一种用于乳腺癌组织病理学图像（HI）的分类方法，该方法使用迁移学习来使用ImageNet数据集预训练的Inception-v3 CNN从HI中提取特征。我们还使用迁移学习在组织标记的结直肠癌数据集上训练支持向量机（SVM）分类器，旨在从乳腺癌HI中过滤斑块并去除不相关的斑块。我们表明，在训练第二个SVM分类器之前去除不相关的补丁，提高了乳腺癌图像上恶性和良性肿瘤分类的准确性。使用特征提取迁移学习，我们能够将分类准确率提高3.7%，使用不相关补丁消除，我们能够将分类准确率提高0.7%。所提出的方法在乳腺癌数据集的四个放大因子中的三个方面优于最先进的方法。
2019-04-16 cs.CV cs.LG
Screening Mammography Breast Cancer Detection
Northeastern University（东北大学）
针对当前乳腺癌筛查成本高、假阳性多的问题，本文提出自动化检测方案，在RSNA数据集上测试多种方法，取得平均验证pF1 0.56的结果，助力提升筛查效率与准确性。
2023-07-21 cs.CV cs.LG eess.IV
Identifying Epigenetic Signature of Breast Cancer with Machine Learning
Stuyvesant High School（史岱文森高中）
本文报道的研究确定了乳腺癌的表观遗传生物标志物（甲基化β模式）。许多癌症是由DNA中CpG位点的异常甲基化引起的异常基因表达水平引发的。为了开发致癌甲基化的早期诊断和开发治疗方法，有必要从DNA中数百万个位置中识别出几十个关键的癌症相关CpG甲基化位点。这项研究使用公共TCGA数据集训练TensorFlow机器学习模型，根据每个样本中超过30万个甲基化β值对乳腺癌与非乳腺癌组织样本进行分类。应用L1正则化来识别对于准确分类最重要的CpG甲基化位点。假设具有最高学习模型权重的CpG位点对应于与乳腺癌最相关的DNA位置。仅在完整模型中具有最高权重的25个CpG位点的甲基化β上训练的简化模型（在超过300，000个CpG位点的甲基化β上训练）在评估数据上实现了超过94%的准确性，证实了所鉴定的25个CpG位点确实是乳腺癌的生物标志物。
2019-10-12 cs.LG q-bio.GN stat.ML
Breast Cancer Diagnosis with Transfer Learning and Global Pooling
University of Saskatchewan（萨斯喀彻温大学）；University of Tulane（杜兰大学）
乳腺癌是全世界妇女癌症相关死亡的最常见原因之一。乳腺癌的早期准确诊断可显著提高患者的生存率。在这项研究中，我们的目标是开发一个全自动的，基于深度学习的，使用深度卷积神经网络（DCNN）模型提取的描述符特征和池化操作对苏木精和伊红染色（H&E）组织学乳腺癌图像进行分类的方法，作为国际图像分析和识别会议（ICIAR）2018年乳腺癌组织学挑战赛（BACH）的一部分图像.采用不同的数据增强方法来优化DCNN的性能。我们还研究了作为预处理步骤的不同染色归一化方法的功效。使用预训练的Xception模型的拟议网络架构产生92.50%的平均分类准确率。
2019-09-26 cs.CV cs.LG eess.IV
An Artificial Intelligence Model for Early Stage Breast Cancer Detection from Biopsy Images
Pangea Society（Pangea 学会）；Cyber Analytics（网络分析）
本文提出一种基于卷积神经网络的人工智能模型，利用活检图像区分良恶性并亚分类乳腺癌类型，实验在准确率、精确率、召回率和F1分数上优于现有方案，助力临床诊断。
2025-05-24 cs.LG eess.IV
Early Detection and Classification of Breast Cancer Using Deep Learning Techniques
Varendra University（巴伦德拉大学）
本研究利用Kaggle的9248张乳腺超声图像，比较ResNet50、MobileNet、VGG16及自定义CNN模型，其中ResNet50以98.41%的最高准确率实现乳腺癌早期检测与分类。
2025-01-21 cs.CV cs.LG
Evaluation of Joint Multi-Instance Multi-Label Learning For Breast Cancer Diagnosis
Bilkent University（比尔肯特大学）
多示例多标记（MIML）学习在许多方面都是一个具有挑战性的问题。这种学习方法可能对许多医学诊断应用有用，包括乳腺癌检测和分类。在这项研究中，digiPATH数据集（全载玻片数字乳腺癌组织病理学图像）的子集用于训练和评估六种最先进的MIML方法。最后，通过有效的评价指标对这些方法进行了性能比较。结果表明，MIML-kNN取得了最好的性能，平均精度为%65.3，大多数其他方法也取得了可接受的结果。
2015-10-10 cs.CV cs.LG
Integrating Protein Sequence and Expression Level to Analysis Molecular Characterization of Breast Cancer Subtypes
Kansas State University（堪萨斯州立大学）
乳腺癌的复杂性和可变性对理解其进展和指导有效治疗构成了重大挑战。本研究旨在整合蛋白质序列数据与表达水平，以改善乳腺癌亚型的分子特征并预测临床结局。使用ProtGPT 2，一种专门为蛋白质序列设计的语言模型，我们生成了捕获蛋白质功能和结构特性的嵌入。将这些嵌入与蛋白质表达水平整合以形成富集的生物表示，使用机器学习方法（例如用于聚类的集成K-means和用于分类的XGBoost）对所述生物表示进行分析。我们的方法能够成功地将患者聚类为生物学上不同的组，并准确预测临床结果，如生存和生物标志物状态，实现高性能指标，特别是生存的F1评分为0.88，生物标志物状态预测为0.87。特征重要性分析确定KMT 2C、CLASP 2和MYO 1B是参与激素受体阳性和三阴性乳腺癌中激素信号传导、细胞骨架重塑和治疗抵抗的关键蛋白，对乳腺癌亚型行为和进展具有潜在影响。此外，蛋白质相互作用网络和相关性分析揭示了可能影响乳腺癌亚型行为和进展的蛋白质之间的功能相互依赖性。这些发现表明，整合蛋白质序列和表达数据提供了有价值的见解，肿瘤生物学，并有显着的潜力，以提高个性化的治疗策略，在乳腺癌护理。
2025-10-30 cs.LG q-bio.BM
Open-Set Recognition of Breast Cancer Treatments
Northwestern University（西北大学）
开集识别通过将测试样本分类为来自训练的已知类或“未知”类来概括分类任务。“随着具有改进治疗的新型癌症药物鸡尾酒不断被发现，预测癌症治疗可以自然地根据开集识别问题来制定。由于在训练期间对未知样本进行建模，缺点来自医疗保健开集学习中先前工作的直接实现。因此，我们重新定义的问题的方法，并适用于最近现有的高斯混合变分自编码器模型，它实现了国家的最先进的图像数据集的结果，乳腺癌患者的数据。我们不仅获得了更准确和更强大的分类结果，与最近的方法相比，平均F1增加了24.5%，而且我们还重新检查了开集识别在临床环境中的可部署性。
2022-01-09 cs.LG
A Density-Informed Multimodal Artificial Intelligence Framework for Improving Breast Cancer Detection Across All Breast Densities
Niramai Health Analytix Pvt Ltd（Niramai健康分析私人有限公司）；HCG Cancer Hospital（HCG癌症医院）
本研究提出一种密度感知的多模态AI框架，根据乳腺密度动态选择乳腺X线摄影或Thermalytix热成像，在324名女性中实现94.55%的敏感性，优于单模态方法，尤其弥补了致密型乳腺中X线摄影敏感性下降的问题。
2025-10-16 cs.AI cs.CV cs.LG
Social Media as a Sensor: Analyzing Twitter Data for Breast Cancer Medication Effects Using Natural Language Processing
Emory University（埃默里大学）
本文提出基于NLP的方法，利用transformer分类器识别X平台乳腺癌患者并收集数据，构建副作用词典分析药物使用与副作用，揭示了社交媒体在临床研究中的价值。
2024-02-26 cs.CL cs.LG cs.SI
Axial Attention Transformer Networks: A New Frontier in Breast Cancer Detection
University of California, Los Angeles（加州大学洛杉矶分校）；Washington University in St. Louis（华盛顿大学圣路易斯分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Boston University（波士顿大学）；Northeastern University（东北大学）；Tulane University（杜兰大学）
针对乳腺癌图像中小病灶分割难题，提出一种基于轴向注意力的Transformer分割模型，提升计算效率并捕获全局上下文，显著提高分割精度，助力计算机辅助诊断。
2024-09-18 cs.AI cs.CV cs.LG
Automatic breast cancer grading in lymph nodes using a deep neural network
University of Heidelberg（海德堡大学）；DKFZ Heidelberg（海德堡德国癌症研究中心）
乳腺癌的进展可以在淋巴结全载玻片图像（WSIs）中量化。我们描述了一种新的方法，有效地进行分类的全载玻片图像和患者水平的乳腺癌分级。我们的方法利用了深度神经网络。该方法对小块进行分类，并使用模型平均进行提升。在第一步中，感兴趣区域的补丁被确定和裁剪自动颜色阈值，然后由深层神经网络分类。分类结果用于确定载玻片级别类别，并用于进一步聚合以预测患者级别等级。我们的方法的快速处理速度使得高通量图像分析成为可能。
2017-07-24 cs.CV cs.LG
Machine Learning Approaches to Predict Breast Cancer: Bangladesh Perspective
Daffodil International University（达法迪尔国际大学）
近年来，乳腺癌已上升为最主要的死亡原因之一。在所有恶性肿瘤中，这是全球妇女死亡的最常见和主要原因。人工诊断这种疾病需要大量的时间和专业知识。乳腺癌的检测是耗时的，可以通过开发基于机器的乳腺癌预测来减少疾病的传播。在机器学习中，系统可以从先前的实例中学习，并使用各种统计，概率和优化方法从嘈杂或复杂的数据集中找到难以检测的模式。这项工作比较了几个机器学习算法的分类准确性，精度，灵敏度和特异性在一个新收集的数据集。在这项工作中，决策树，随机森林，逻辑回归，朴素贝叶斯和XGBoost，这五种机器学习方法已经实现，以在我们的数据集上获得最佳性能。这项研究的重点是找到最好的算法，可以预测乳腺癌的最大准确性方面的类别。这项工作评估了每个算法的数据分类的效率和有效性方面的质量。并与其他已发表的研究成果进行了比较。在实现该模型后，本研究在随机森林和XGBoost上实现了最佳模型准确率，为94%。
2022-06-30 cs.LG
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
DeepHealth, Inc.（深健公司）；Rhode Island Hospital（罗德岛医院）；Brown University（布朗大学）；Henan Provincial People’s Hospital（河南省人民医院）；Medford Radiology Group（梅德福放射学集团）；University of Massachusetts Medical School（马萨诸塞大学医学院）
乳腺癌仍然是一个全球性挑战，2018年全球有超过100万人死于乳腺癌。为了实现乳腺癌的早期检测，全世界的卫生组织都推荐进行筛查性X射线乳房X光检查，据估计，这种检查可以将乳腺癌死亡率降低20- 40%。然而，由于假阳性率和假阴性率很高，以及口译费用高昂，因此有机会提高质量和获得服务的机会。为了解决这些局限性，最近人们对将深度学习应用于乳房X光摄影术产生了很大的兴趣;然而，获取大量带注释的数据对为此目的训练深度学习模型构成了挑战，确保泛化超出训练数据集中表示的人群也是如此。在这里，我们提出了一种注释高效的深度学习方法，该方法1）在乳房X线摄影分类中实现了最先进的性能，2）成功扩展到数字乳腺断层合成（DBT;“3D乳房X线照相术”），3）在癌症患者的临床阴性的先前乳房X线照相术中检测癌症，4）很好地推广到具有低筛查率的人群，5）通过将绝对灵敏度平均提高14%，超过五分之五的全职乳腺成像专家。我们的研究结果证明了软件的前景，可以提高全球筛查乳腺X射线摄影的准确性和可及性。
2019-12-27 cs.CV cs.LG eess.IV
Deep Learning Based Model for Breast Cancer Subtype Classification
University of Delhi（德里大学）；All India Institute of Medical Sciences（全印医学科学学院）；Hans Raj College（汉斯拉吉学院）
长期以来，乳腺癌一直是妇女死亡的主要原因。由于能够记录基因表达数据的RNA测序工具的可用性，诊断，治疗和预后现在是可能的。分子亚型与临床策略和预后密切相关，本文重点介绍了使用基因表达数据将乳腺癌分为四种亚型，即Basal，Her2，LumA和LumB。在第一阶段，我们提出了一个基于深度学习的模型，该模型使用自动编码器来降低维度。通过使用自动编码器，特征集的大小从20，530个基因表达值减少到500个。该编码表示被传递到第二阶段的深度神经网络，用于将患者分类为乳腺癌的四种分子亚型。通过部署第1阶段和第2阶段的组合网络，我们已经能够在TCGA乳腺癌数据集上获得平均10倍的测试准确度为0.907。所提出的框架在10个不同的运行中是相当稳健的，如分类准确性的箱形图所示。与文献报道的相关工作相比，我们取得了有竞争力的结果。总之，所提出的基于两阶段深度学习的模型能够准确地对四种乳腺癌亚型进行分类，突出了自动编码器推导紧凑表示的能力和神经网络分类器正确标记乳腺癌患者的能力。
2021-11-09 cs.LG q-bio.QM
Adversarially Robust Feature Learning for Breast Cancer Diagnosis
University of Pittsburgh（匹兹堡大学）
针对对抗数据导致深度学习乳腺癌诊断模型故障的问题，提出对抗鲁棒特征学习（ARFL）方法，结合标准与对抗数据训练并引入特征相关性度量抑制虚假特征，在9,548张图像上验证其优于现有方法并提升临床安全性。
2024-02-13 cs.LG eess.IV
Breast Cancer Diagnosis via Classification Algorithms
University of Toronto（多伦多大学）
在本文中，我们使用机器学习分类技术，如SVM，贝叶斯逻辑斯谛回归（变分近似）和K-最近邻分析威斯康星州诊断乳腺癌数据。我们描述了每种模型，并通过不同的措施来比较它们的性能。我们的结论是，支持向量机具有最好的性能在所有其他分类器，而它的竞争密切与贝叶斯逻辑斯谛回归，这是排名第二的最佳方法为这个数据集。
2018-07-03 cs.LG stat.AP stat.CO
Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment
University of Pennsylvania（宾夕法尼亚大学）；Mayo Clinic（梅奥诊所）
乳腺密度是乳腺癌的一个重要危险因素，也会影响筛查性乳腺X线摄影的特异性和灵敏度。目前的联邦立法要求报告所有接受乳房筛查的妇女的乳房密度。临床上，使用美国放射学会乳腺成像报告和数据系统（BI-RADS）量表对乳腺密度进行视觉评估。在这里，我们介绍了一种人工智能（AI）方法，用于从数字乳房X线照片中估计乳房百分比密度（PD）。我们的方法利用深度学习（DL），使用两个卷积神经网络架构来准确分割乳房区域。然后应用结合超像素生成、纹理特征分析和支持向量机的机器学习算法来区分致密组织区域和非致密组织区域，由此估计PD。我们的方法已经在15，661张图像（4，437名女性）的多种族，多机构数据集上进行了训练和验证，然后在6，368张数字乳房X线照片（1，702名女性;病例=414）的独立数据集上进行了PD估计和乳腺癌区分的测试。在独立数据集上，来自Deep-LIBRA和专家阅片员的PD估计值强相关（斯皮尔曼相关系数= 0.90）。此外，与其他四种广泛使用的研究和商业PD评估方法（AUC = 0.528至0.588）相比，Deep-LIBRA产生了更高的乳腺癌区分性能（ROC曲线下面积，AUC = 0.611 [95%置信区间（CI）：0.583，0.639]）。我们的研究结果表明，Deep-LIBRA和专家读者的黄金标准评估之间的PD估计值非常一致，并且与最先进的开源和商业方法相比，乳腺癌风险评…
2021-10-19 cs.CV cs.LG eess.IV
Prediction of Malignant & Benign Breast Cancer: A Data Mining Approach in Healthcare Applications
National University of Science and Technology-MiSiS（国立科学技术大学（米西斯））；GIET University（GIET大学）；Innopolis University（Innopolis大学）；Hue College of Industry（顺化工业学院）；Malaviya National Institute of Technology（马拉维亚国家理工学院）
尽管数据科学在任何地方都发挥着关键作用，但医疗保健也发现了它的突出应用。乳腺癌是女性中最受关注的癌症类型;仅夺去627，000人的生命。乳腺癌的高死亡率确实需要关注，以便早期发现，以便及时预防。数据采掘作为一种潜在的先进技术发展的贡献者，在预测乳腺癌中发现了多方面的应用。本研究的重点是不同的分类技术实现数据采掘在预测恶性和良性乳腺癌。来自UCI存储库的乳腺癌威斯康星数据集已被用作实验数据集，而属性块厚度被用作评估类。在此数据集上分析了AdaBoostM 1、DecisionTable、JRip、LazyIBK、LogisticRegression、MulticlassClassifier、MultilayerPerceptron、NaiveBayes、随机森林和RandomTree等12种算法的性能。关键词-数据采掘，分类技术，UCI知识库，乳腺癌，分类算法
2019-02-23 cs.CY cs.LG stat.ML
Deep Learning-based mitosis detection in breast cancer histologic samples
Keen Eye Technologies S.A.S.
这是在MIDOG 2021挑战背景下进行有丝分裂检测的申报资料。它基于两阶段对象模型Faster RCNN以及DenseNet作为神经网络架构的骨干。它在初步测试阶段排行榜上获得了0.6645的F1分数。
2021-09-02 cs.CV cs.LG
Towards Early Detection: AI-Based Five-Year Forecasting of Breast Cancer Risk Using Digital Breast Tomosynthesis Imaging
Athinoula A. Martinos Center for Biomedical Imaging, Mass General Brigham and Harvard Medical School（Athinoula A. Martinos 生物医学成像中心，马萨诸塞总医院与哈佛医学院）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Charité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt-Universität zu Berlin（柏林夏里特医学院，自由大学和洪堡大学的成员）；Department of Radiology, University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院放射科）
针对现有乳腺癌风险预测模型性能有限且未纳入DBT影像的问题，提出基于DBT影像与DINOv2特征、结合累积风险层的深度学习五年风险预测框架，在大规模数据集上取得0.80的AUROC，为筛查风险评估提供新方向。
2025-08-31 cs.CV cs.LG eess.IV
Detection and Classification of Breast Cancer Metastates Based on U-Net
GENERATIONSE SOFTWARE SOLUTIONS, INC.（GENERATIONSE软件解决方案公司）
本文提出了基于U网的乳腺癌淋巴结转移检测和分类，以及基于转移检测的患者级分类。整个流程可以分为五个步骤：预处理和数据论证，基于块的分割，后处理，幻灯片级分类和患者级分类。为了减少过拟合并加速收敛，我们在U-Net中应用了批量归一化和丢弃。在训练数据上，最终Kappa得分达到0.902。
2019-09-09 cs.CV cs.LG eess.IV
Artificial Neural Network Based Breast Cancer Screening: A Comprehensive Review
Institute of Information and Communication Technology, Bangladesh University of Engineering and Technology（孟加拉工程技术大学信息与通信技术学院）
乳腺癌是女性常见的致命疾病。早期诊断和检测是必要的，以改善乳腺癌患者的预后。为了预测乳腺癌，已经开发了几种使用不同医学成像模式的自动化系统。本文对基于人工神经网络（ANN）的乳腺癌诊断模型的文献进行了系统的综述。本文综述了脉冲神经网络（SNN）、深度信念网络（DBN）、卷积神经网络（CNN）、多层神经网络（MLNN）、堆栈自编码器（SAE）和堆栈去噪自编码器（SDAE）等不同ANN模型的优点和局限性。该综述还表明，与乳腺癌检测相关的研究将不同的深度学习模型应用于许多公开可用的数据集。为了比较模型的性能，在现有的研究中使用了不同的指标，如准确度，精确度，召回率等。研究发现，CNN算法的残差神经网络（ResNet）-50和ResNet-101模型的性能最好。
2020-05-29 cs.IT cs.LG eess.IV
A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images
Central Michigan University（中密歇根大学）；University of South Dakota（南达科他大学）
本文通过分析ResNet50、ResNet101、VGG16和VGG19等预训练迁移学习模型在2453张组织病理学图像上的乳腺癌检测性能，发现ResNet50表现最优，准确率达90.2%、AUC达90.0%、召回率达94.7%。
2023-04-11 cs.CV cs.LG eess.IV
Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example
SouthWest JiaoTong University（西南交通大学）；University of Southampton（南安普顿大学）；Trine University（特里恩大学）；Hong Kong University of Science and Technology（香港科技大学）
针对乳腺癌病理诊断依赖人工、耗时且存在主观性的问题，提出基于Inceptionv3架构与迁移学习的CNN分类方法，结合图像分块与概率聚合策略，在BreaKHis数据集四种放大倍数下准确率均超0.92，提升了病理图像分类效率与精度。
2024-04-12 cs.CV cs.LG eess.IV
Deep Integrated Pipeline of Segmentation Guided Classification of Breast Cancer from Ultrasound Images
East Delta University（东三角洲大学）；University of Chittagong（吉大港大学）
乳腺癌已成为现代世界极为关注的象征，因为它是全世界癌症死亡率的主要原因之一。在这方面，乳房超声图像经常被医生用来在早期诊断乳腺癌。然而，复杂的伪影和强噪声的乳腺超声图像给诊断带来了很大的挑战。此外，接受乳腺癌筛查的患者数量不断增加，需要使用自动化端到端技术，以低成本和短时间进行高度准确的诊断。在这个问题上，为了开发一个端到端的乳腺超声图像分类集成管道，我们对图像预处理方法进行了详尽的分析，如K Means++和SLIC，以及四个迁移学习模型，如VGG 16，VGG 19，DenseNet 121和ResNet 50。SLIC、UNET和VGG 16的组合在分割阶段的Dice系数得分为63.4，在分类阶段的准确性和F1得分（良性）分别为73.72%和78.92%，优于所有其他综合组合。最后，我们提出了一个端到端的集成自动流水线框架，包括使用SLIC进行预处理，以从超声图像的复杂伪影中捕获超像素特征，使用修改后的U-Net补充语义分割，使用预训练的VGG 16和密集连接的神经网络的迁移学习方法进行乳腺肿瘤分类。拟议的自动化管道可以有效地实施，以协助医生更准确和及时地诊断乳腺癌。
2022-02-14 cs.CV cs.LG eess.IV
Analyzing Breast Cancer Survival Disparities by Race and Demographic Location: A Survival Analysis Approach
Morgan State University（摩根州立大学）
本文基于 SEER 2021 数据集，结合 EDA、Kaplan-Meier、log-rank 检验与 Cox 比例风险模型，分析不同种族和地区乳腺癌患者的生存差异，为精准干预提供依据。
2025-06-08 cs.LG stat.AP
Convolutional neural network based on transfer learning for breast cancer screening
Christian Brothers University（基督教兄弟大学）；University of Dayton（代顿大学）
乳腺癌是世界上最常见的癌症，也是全世界妇女最普遍的死亡原因。然而，如果早期发现，它也是最可治疗的恶性肿瘤之一。在本文中，提出了一种基于深度卷积神经网络的算法，以帮助从超声图像中准确识别乳腺癌。在该算法中，多个神经网络被融合在一个并行架构中来执行分类过程，并且在候选对象类之间的最终分类决策中应用投票准则，其中每个神经网络的输出表示单个投票。在由537个良性、360个恶性和133个正常图像组成的乳腺超声数据集上进行了几个实验。这些实验显示了一个乐观的结果和能力，所提出的模型优于许多国家的最先进的算法在几个措施。使用k折交叉验证和装袋分类器集成，我们实现了99.5%的准确性和99.6%的灵敏度。
2021-12-22 cs.CV cs.LG
Deep Learning Based Computer-Aided Systems for Breast Cancer Imaging : A Critical Review
Universidad Técnica Particular de Loja（洛哈技术大学）；Instituto de Instrumentacion para la Imagen Molecular I3M, Universitat Politécnica de Valencia（瓦伦西亚理工大学分子图像仪器研究所I3M）；University of Waterloo（滑铁卢大学）
本文对深度学习在使用超声和乳腺X射线摄影图像进行乳腺肿瘤诊断方面的应用文献进行了批判性综述。它还总结了计算机辅助诊断（CAD）系统的最新进展，这些系统利用新的深度学习方法自动识别图像并提高放射科医生诊断的准确性。本综述基于过去十年（2010年1月至2020年1月）发表的文献。分类过程中的主要发现表明，新的DL-CAD方法是乳腺癌的有用和有效的筛查工具，从而减少了手动特征提取的需要。乳腺肿瘤研究界可以利用这项调查作为他们当前和未来研究的基础。
2020-09-30 cs.LG eess.IV
Pretrained Vision Models for Predicting High-Risk Breast Cancer Stage
McGill University（麦吉尔大学）；Mila Quebec AI Institute（米拉魁北克人工智能研究所）；Lelapa AI（莱拉帕人工智能）；Masakhane Research Foundation（马萨卡内研究基金会）；Drexel University（德雷塞尔大学）；University Of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
癌症日益成为全球性的健康问题。仅次于心血管疾病，癌症是世界上第二大死亡原因，每年有数百万人死于癌症。根据世界卫生组织（WHO）的报告，截至2020年底，超过780万女性被诊断患有乳腺癌，使其成为世界上最流行的癌症。在本文中，使用数字病理学（乳腺活检）图像的Nightingale Open Science数据集，我们利用预先训练的计算机视觉模型的功能进行乳腺癌分期预测任务。虽然个别模型实现体面的表现，我们发现，一个合奏模型的预测更有效，并提供了一个成功的解决方案\footnote{https://www.nightingalescience.org/updates/hbc1-results}。我们还提供了结果的分析，并探索更好的可解释性和泛化的途径。我们的代码在\url{https://github.com/bonaventuredossou/nightingale_winning_solution}上是开源的
2023-03-19 cs.CV cs.LG eess.IV
Breast Cancer Image Classification Method Based on Deep Transfer Learning
The Hong Kong University of Science and Technology（香港科技大学）；University of Southampton（南安普顿大学）；Trine University（特莱恩大学）；Southwest Jiaotong University（西南交通大学）
针对乳腺癌病理图像分类的样本少、特征设计繁、准确率低问题，提出结合注意力机制与DenseNet结构、采用多级迁移学习的分类算法，测试集准确率超84.0%，优于现有模型，可用于医学乳腺癌检测。
2024-09-11 cs.CV cs.LG eess.IV
A Survey of Breast Cancer Screening Techniques: Thermography and Electrical Impedance Tomography
Femto-ST Sciences & Technologies（Femto-ST科学与技术研究所）
乳腺癌是一种威胁许多妇女生命的疾病，因此，早期和准确的检测在降低死亡率方面起着关键作用。乳房X光检查是乳腺癌筛查的参考技术;然而，由于经济，社会和文化问题，许多国家仍然缺乏乳房X光检查。计算工具、红外摄像机和生物阻抗量化设备的最新进展允许开发并行技术，如热成像、红外成像和电阻抗断层扫描，这些技术更快、更可靠、更便宜。在过去的几十年里，这些被认为是乳腺癌诊断的补充程序，许多研究得出结论，假阳性和假阴性率大大降低。这项工作的目的是审查最新的突破，上述三个技术描述的好处，混合几种计算技能，以获得更好的全球性能。此外，我们还比较了应用于乳腺癌诊断的几种机器学习技术，从逻辑回归、决策树和随机森林到人工、深度和卷积神经网络。最后，对三维乳腺仿真、预处理技术、研究领域的生物医学设备、肿瘤位置和大小的预测提出了几点建议。
2022-02-08 cs.CV cs.LG eess.IV
Predicting environment effects on breast cancer by implementing machine learning
University of Management and Technology（管理与技术大学）
本文综述生活方式与环境污染物对乳腺癌风险的影响，并用多种机器学习分类器进行预测，其中 Random Forest 准确率最高，验证了其在亚洲乳腺癌生存分析中的应用潜力。
2023-09-25 cs.LG q-bio.QM
Convolutional capsule network for classification of breast cancer histology images
Kaunas University of Technology（考纳斯理工大学）
任何一种疾病的诊断自动化都非常重要，随着越来越多的深度学习解决方案被应用于不同的问题，它的速度越来越快。这样的计算机辅助系统之一可以是决策支持，也能够准确区分不同类型的乳腺癌组织学图像-正常组织或癌。本文作者提出了一种基于卷积胶囊网络的深度学习解决方案，用于在应用苏木精和真核蛋白染色时对四种类型的乳腺组织活检图像进行分类。交叉验证的准确度达到0.87，具有同样高的灵敏度。
2018-04-23 cs.CV cs.CY cs.LG
Improving Prostate Cancer Detection with Breast Histopathology Images
Top Data Science Ltd.（顶级数据科学有限公司）；University of Helsinki（赫尔辛基大学）；Skåne University Hospital（斯科讷大学医院）；Helsinki University Hospital（赫尔辛基大学医院）
深度神经网络已经在对包括前列腺组织图像的数字病理图像的基于机器学习的分析领域中引入了显著的进步。在迁移学习的帮助下，神经网络模型的分类和分割性能得到了进一步提高。然而，由于缺乏大型的、广泛注释的、公开可用的前列腺组织病理学数据集，之前的几项研究采用了来自经过充分研究的计算机视觉任务的数据集，如ImageNet数据集。在这项工作中，我们提出了一个迁移学习计划，从乳腺组织病理学图像，以提高前列腺癌检测性能。我们通过使用公开的乳腺组织病理学数据集作为预训练，在带注释的前列腺全切片图像上验证了我们的方法。我们证明了所提出的跨癌症方法优于ImageNet数据集的迁移学习。
2019-03-14 cs.CV cs.LG stat.ML
Discriminative Pattern Mining for Breast Cancer Histopathology Image Classification via Fully Convolutional Autoencoder
University of Toronto（多伦多大学）；National Cancer Research Centre（国家癌症研究中心）；Institute for Oncology and Radiology（肿瘤与放射学研究所）
由于癌细胞生长以及各种良性乳腺组织增生性病变的异质性，在组织病理学图像中准确诊断乳腺癌是具有挑战性的。在本文中，我们提出了一种实用且可自我解释的侵入性癌症诊断解决方案。该方法利用最少的标注信息，以无监督的方式挖掘正常图像和恶性图像之间的对比模式，并生成异常概率图以验证其推理。特别地，使用全卷积自动编码器来学习正常图像块之间的主导结构模式。对于不具有该正态总体特征的斑块，采用单类支持向量机和单层神经网络进行检测和分析。我们将所提出的方法应用于公共乳腺癌图像集。我们的研究结果，在与资深病理学家协商，表明所提出的方法优于现有的方法。所获得的概率图可以通过提供可视化的验证数据来有益于病理学实践，并可能导致更好地理解数据驱动的诊断解决方案。
2020-05-05 cs.CV cs.LG eess.IV
Multimodal fusion using sparse CCA for breast cancer survival prediction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Research（IBM研究院）；VinUniversity（文大）
有效理解癌症等疾病需要融合多模态数据在物理尺度上捕获的多个信息源。在这项工作中，我们提出了一种新的特征嵌入模块，来自典型的相关性分析，占模态内和模态间的相关性。模拟和真实数据上的实验证明了我们提出的模块如何学习相关性良好的多维嵌入。这些嵌入在TCGA-BRCA乳腺癌患者的一年生存分类中表现出竞争力，在5倍交叉验证下，平均F1评分高达58.69%。
2021-03-09 cs.LG eess.SP q-bio.GN
Diagnosis of Breast Cancer Based on Modern Mammography using Hybrid Transfer Learning
Lovely Professional University（洛弗利专业大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Maharaja Agrasen Institute of Technology（马哈拉贾·阿格拉森技术学院）；University of Economics Ho Chi Minh City（胡志明市经济大学）
乳腺癌是女性常见的癌症。早期发现乳腺癌可以大大提高妇女的生存率。本文主要关注转移学习过程来检测乳腺癌。本文提出并实现了改进的VGG（MVGG）、剩余网络、移动网络。本文使用DDSM数据集。实验结果表明，我们提出的混合迁移学习模型（MVGG16和ImageNet的融合）在epoch数为15的情况下提供了88.3%的准确率。另一方面，只有修改后的VGG 16架构（MVGG 16）提供了80.8%的准确度，MobileNet提供了77.2%的准确度。因此，可以清楚地表明，与单一架构相比，所提出的混合预训练网络表现出色。这种架构可以被认为是一个有效的工具，为放射科医生，以减少假阴性和假阳性率。因此，将提高乳房X线摄影分析的效率。
2020-05-27 cs.CV cs.LG eess.IV
Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features
University of Minnesota（明尼苏达大学）；University of Cincinnati（辛辛那提大学）
图像分类被广泛用于构建乳腺癌诊断的预测模型。大多数现有的方法绝大多数依赖于深度卷积网络来构建这样的诊断管道。这些模型架构虽然性能卓越，但都是黑箱系统，对预测背后的内在逻辑提供了最少的洞察。这是一个主要的缺点，因为预测的可解释性对于癌症诊断等应用至关重要。在本文中，我们通过提出一个基于超声图像的乳腺癌诊断的可解释机器学习管道来解决这个问题。我们提取的第一和第二阶纹理特征的超声图像，并使用它们来建立一个概率集成的决策树分类器。每个决策树通过学习图像的纹理特征的一组鲁棒决策阈值来学习对输入超声图像进行分类。然后，可以通过分解学习的决策树来解释模型预测的决策路径。我们的研究结果表明，我们提出的框架实现了高预测性能，同时是可解释的。
2022-01-17 cs.CV cs.LG eess.IV
Decoupling Inherent Risk and Early Cancer Signs in Image-based Breast Cancer Risk Models
KTH Royal Institute of Technology（瑞典皇家理工学院）；Science for Life Laboratory（生命科学实验室）；Karolinska Institutet（卡罗林斯卡学院）；Karolinska University Hospital（卡罗林斯卡大学医院）
准确估计患乳腺癌风险的能力对临床决策非常重要。一种有前途的新方法是基于深度神经网络集成基于图像的风险模型。然而，在使用这些模型时必须小心，因为训练数据的选择会影响网络将学习识别的模式。考虑到这一点，我们使用三种不同的标准来训练网络，以选择阳性训练数据（即来自将患癌症的患者的图像）：在没有可见癌症迹象的图像上训练的固有风险模型，在包含癌症或癌症早期迹象的图像上训练的癌症迹象模型，以及在来自癌症诊断患者的所有图像上训练的合并模型。我们发现，这三个模型学习不同的特征，专注于不同的模式，这转化为性能的对比。短期风险最好由癌症体征模型估计，而长期风险最好由固有风险模型估计。使用所有图像进行不小心的训练会将固有风险与早期癌症体征混为一谈，并在两种方案中产生次优估计。因此，合并的模型可能会导致医生在早期癌症迹象已经可见时建议采取预防措施。
2020-09-16 cs.CV cs.LG eess.IV
Artificial Intelligence For Breast Cancer Detection: Trends & Directions
Salim Habib University（萨利姆·哈比卜大学）
在过去的十年中，计算机视觉和人工智能（AI）领域的研究人员已经加大了努力，提出了一个自动化框架，不仅可以检测乳腺癌，还可以识别乳腺癌的阶段。这一方向的研究活动激增的原因主要是由于强大的AI算法（深度学习）的出现，可以训练这些强大而复杂的AI算法的硬件的可用性以及训练AI算法所需的足够大的数据集的可访问性。研究人员已经利用不同的成像模式来自动化乳腺癌检测的任务是乳房X线照片，超声，磁共振成像，组织病理学图像或它们的任何组合。本文分析了这些成像方式，并介绍了它们的优势，局限性和征用资源，从那里可以访问他们的数据集用于研究目的。然后，本文总结了过去十年中提出的基于AI和计算机视觉的最先进方法，以使用各种成像方式检测乳腺癌。一般来说，在这篇文章中，我们重点审查了使用乳房X线照片报告结果的框架，因为它是最广泛使用的乳房成像模式，作为医生通常用于检测乳腺癌的第一个测试。关注乳房X线摄影成像模式的第二个原因是其标记数据集的可用性。数据集可用性是开发基于AI的框架的最重要方面之一，因为这些算法需要大量数据，并且通常数据集的质量会影响基于AI的算法的性能。简而言之，这篇研究文章将作为自动化乳腺成像分析领域研究社区的主要资源。
2021-10-03 cs.CV cs.LG eess.IV
Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data
New York University（纽约大学）；NYU Langone Health（纽约大学朗格尼医学中心）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）；New York University Abu Dhabi（纽约大学阿布扎比分校）
提出多模态Transformer（MMT），融合乳腺X线摄影和超声数据并利用纵向影像，在130万次检查上训练，实现癌症检测AUROC 0.943和5年风险预测AUROC 0.826，优于单模态基线。
2023-11-15 cs.CV cs.LG eess.IV
Unsupervised Learning of Deep-Learned Features from Breast Cancer Images
Marshall University（马歇尔大学）；Troy University（特洛伊大学）；Virginia State University（弗吉尼亚州立大学）
在整个载玻片图像中手动检测癌症需要大量的时间和精力，这是一个费力的过程。全切片图像分析的最新进展刺激了基于机器学习的方法的增长和发展，这些方法提高了癌症疾病诊断的效率和有效性。在本文中，我们提出了一种无监督学习方法检测乳腺浸润癌（BRCA）的整个载玻片图像中的癌症。所提出的方法是完全自动化的，在无监督学习过程中不需要人工参与。我们证明了所提出的方法在BRCA癌症检测中的有效性，并展示了机器如何在无监督学习过程中选择最合适的聚类。此外，我们提出了一个原型应用程序，使用户能够选择相关的组映射到整个幻灯片图像中的组相关的所有区域。
2020-06-21 cs.CV cs.LG eess.IV
A survey on deep learning approaches for breast cancer diagnosis
Faculty of Engineering and Applied Science, Ontario Tech University（安大略理工大学工程与应用科学学院）；Faculty of Business and Information Technology, Ontario Tech University（安大略理工大学商业与信息技术学院）
深度学习引入了几种基于学习的方法来识别乳腺肿瘤，并在乳腺癌诊断中具有很高的适用性。它已经成为计算机辅助诊断（CAD）系统中的一个实用装置，以进一步帮助放射科医生进行不同模式的诊断。根据医院或公共数据库提供的图像训练的深度学习网络可以执行病变类型的分类、检测和分割。在2D图像上识别肿瘤方面已经取得了重大进展，但到目前为止，识别3D图像仍然是一个前沿领域。不同研究领域之间深度学习网络的互连有助于推动更高效、准确和强大网络的发现。在这篇综述论文中，将探讨以下主题：（i）深度学习的理论和应用，（ii）从性能度量的角度来看，2D，2.5D和3D CNN方法在乳腺肿瘤识别中的进展，以及（iii）CNN方法面临的挑战。
2022-02-13 cs.CV cs.LG eess.IV
