本研究采用人工智能技术自动分类宫颈细胞，解决了现有方法繁琐易错的问题。ResNet-50模型的分类准确率达到93.06%，显示出深度学习在早期宫颈癌诊断中的潜力。

本研究利用先进的预处理技术提升医疗影像数据集质量，实现正常与病理的分类，提供高质量的输入数据，具备良好的适应性，能够有效集成至临床决策支持系统。

本研究提出Cervix-AID-Net模型，通过阴道镜图像对宫颈癌前期风险进行分类，分类精度达到99.33%和99.81%，对宫颈癌的预防和早期检测具有重要意义。

本研究提出了一种新的卷积神经网络配置方案，优化了宫颈癌筛查中的Pap涂片图像分类。通过比较多种优化器，发现转移学习模型表现优异，Adamax优化器在VGG-16和Resnet-18上的准确率分别为72.8%和66.8%。

本研究使用深度学习模型将无结构图像转化为结构化图形，并开发了一种名为DoseGNN的剂量图神经网络模型，用于预测剂量体积直方图（DVH）。与其他DL模型相比，DoseGNN模型在预测上取得了较好的效果，并能与临床医生进行自然语言交互，实现治疗计划的调整。

通过使用不同的深度学习描述符和特征归一化技术，研究人员开发了一种计算机辅助诊断系统，用于妇科癌症预防。实验结果显示，该系统在分类和类型识别方面表现出了出色的性能。

本文讲述了作者第一次做乳腺钼靶检查的经历，强调了乳腺检查的重要性。作者分享了备孕期间发现乳腺问题的经历，以及重返职场后坚持每年一检的做法。最后，作者做了乳腺检查并得到了健康的结果，感到非常开心。

本文介绍了一种用于评估新辅助化疗后乳腺DCE-MRI的长期变形注册方法，通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，该方法能够精确量化肿瘤变化并保持肿瘤体积不变。实验证明该方法具有更好的注册性能和肿瘤体积保持能力，并且基于该方法的生物标志物在病理完全缓解预测中具有高准确性。该方法对于随访肿瘤分割和响应预测具有重要价值。

在COVID-19大流行期间，研究人员提出了一种基于人工智能的眼科图像质量评估系统，能够模拟临床医生的判断。他们展示了概念的证明。

该研究提出了一种基于原型的知识过滤方法，利用不同但相关临床研究中收集的跨领域子宫颈图像，改善了定向子宫颈数据集上模型的性能。实验证据表明，该方法在顶级准确率、精确度、召回率、F1分数和ROC-AUC上分别比最先进的子宫颈畸形视觉检查法提高了4.7%、7.0%、1.4%、4.6%和0.05。