谷歌在年度健康活动“Check Up”上宣布投资1000万美元用于临床AI培训，旨在通过AI改善疾病检测和医疗服务。研究表明，谷歌AI能够帮助放射科医生更早、更准确地检测乳腺癌。同时，谷歌云利用Gemini驱动的AI代理，推动医疗服务向主动、自动化和以患者为中心的方向发展。

新研究表明，谷歌与英国国家卫生服务系统合作的AI技术能提高乳腺癌早期筛查的准确性，发现25%的漏检病例，减轻放射科医生负担，提升患者护理时间，促进早期诊断，拯救生命。

本研究利用自然语言处理技术自动提取肺癌和乳腺癌的临床报告信息，解决了手动提取的时间和准确性问题。通过NLP工具uQuery，能够高效识别和分类临床实体，但在处理低频实体时仍面临挑战。

本研究提出了一种新的深度学习方法，解决乳腺癌组织病理图像分类中注释数据有限的问题。改进的方法显著提升了模型在有限标注下的分类性能，具有重要的临床应用潜力。

本文提出了一种新的生成深度学习框架Seg-CycleGAN，用于乳腺癌的虚拟对比增强乳腺摄影（CESM）。该框架能够从低能量图像合成高保真度的双能量减影图像，解决了传统CESM的辐射暴露和对比剂副作用问题，展现了无对比剂替代方案的潜力。

本研究提出了一种多视角视觉提示调优网络（MVPT-NET），旨在提升乳腺X光照片中乳腺癌的检测能力。该方法基于单视图模型，创新性地适应多视图特征学习，实现高效调优，并在多机构数据集上取得了优异的检测效果。

本研究针对传统肿瘤浸润淋巴细胞（TILs）评估方法的复杂性，提出了一个透明且易于访问的自动化评估管道。通过结合像素分类器和深度学习模型，我们的管道在乳腺癌H

本研究通过自研机器学习算法分析乳腺MRI中的乳腺密度，发现MRI乳腺密度与X线摄影密度相关，但某些成分仅MRI可得，提出整合MRI密度以改进乳腺癌风险预测的新方向。

本研究提出了一种新型混合框架CB-Res-RBCMT，用于乳腺癌检测。该框架结合了残差卷积神经网络和视觉变换器，通过区域和边界特征提取，显著提高了细微对比度和纹理变异的识别能力，最终在标准数据集上取得了95.57%的F1分数和95.63%的准确率。

本研究提出了一种名为MSMV-Swin的多尺度多视图Swin变换器框架，以提高乳腺癌诊断的鲁棒性和准确性。该框架利用Segment Anything Model (SAM)提取特征，帮助放射科医生做出更有效的决策，促进人机互动和信任建立。

本研究提出了一种自适应深度学习方法，通过误预测风险分析框架，量化并排名乳腺癌图像被错误标记的可能性，从而优化分类器的训练策略。结果表明，该方法显著提升了深度神经网络分类器的性能，有效识别误预测。

本研究解决了癌症诊断中数据不平衡带来的分类器性能和可靠性问题，提出了RE-SMOTEBoost方法。该方法通过优先在重叠区域生成合成样本、信息熵过滤机制减少噪声并引入双重正则化惩罚，有效提高了少数类样本的质量。结果表明，RE-SMOTEBoost在不平衡数据集上相较于现有技术有显著提升，证明了其在医疗应用中的潜在影响。

本研究提出了一种深度多模态学习框架，结合组织病理图像和基因表达数据，以提高乳腺癌亚型分类的准确性，为临床决策提供更可靠的信息。

免疫组化(IHC)染色在乳腺癌等疾病的评估中至关重要。基于生成模型的H&E到IHC转化提供了一种简便且经济的获取IHC图像的方法。

本研究开发了一种基于深度学习的自动化系统，利用18F-FDG PET对乳腺肿瘤进行分割和生物标志物提取，以评估新辅助化疗后的肿瘤演变，结果与手动分割高度相关。