本研究提出了一种基于注意力机制的可解释深度学习框架，用于预测非肌肉侵袭性膀胱癌的复发。该方法结合向量嵌入，预测准确性提升至70%，并为临床医生提供个体化洞察，强调影响复发风险的关键因素。

本文介绍了MDNet模型，结合计算机视觉和自然语言处理技术，自动生成医学影像诊断报告，以提高膀胱癌的诊断准确率。同时，研究提出了可解释神经网络算法，增强放射科医生在乳腺摄影分析中的能力，并探讨医学图像的可解释性，提出多模态可解释疾病诊断框架，旨在提升医疗影像分析的准确性和透明度。

该研究提出了多种基于多实例学习的框架，以提高癌症检测和亚型区分的医学图像分类准确性。通过数据增强、空间相关性分析和自动标签筛查方法，显著提升了细胞学膀胱癌筛查的效率和准确性。

通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

本研究探讨了深度学习在乳腺癌检测中的应用，特别是“Vision Transformer (ViT)”模型，其准确率达到95.15%。同时提出了混合多任务深度神经网络（Hybrid-MT-ESTAN），在乳腺超声图像分类中取得82.7%的准确率。研究表明，基于注意力机制的卷积神经网络在乳腺癌检测中表现优越，结合高分辨率红外热成像技术进一步提升了检测效果。