多模式乳腺癌数据融合中的深度学习:文献综述
Tengyue Li1, Shuangli Song1, Yi Pan2
1Department of Artificial Intelligence and Computer Science, North China University of Technology, Beijing, China.
Quantitative imaging in medicine and surgery
|November 10, 2025
概括
深度学习通过整合各种数据来增强多模式乳腺癌预测. 未来的研究需要更好的数据集和融合策略,以提高乳腺癌诊断的准确性.
科学领域:
- 生物医学信息学 生物医学信息学
- 在瘤学中使用人工智能
- 计算生物学 计算生物学
背景情况:
- 对深度学习的兴趣越来越大,用于多模式乳腺癌研究.
- 多模式数据集成提供了比单模式方法更强大的乳腺癌预测.
- 本综述提供了该领域的进展,机遇和挑战的全面总结.
研究的目的:
- 审查过去五年多模式乳腺癌研究深度学习的进展.
- 批判性地评估整合用于乳腺癌预测的多模式数据的机遇和挑战.
- 检查深度学习技术的应用,并确定未来的方向.
主要方法:
- 对深度学习方法的系统分析,用于多模式乳腺癌诊断.
- 从2019年1月到2025年4月,在主要数据库 (PubMed,科学网,科克兰图书馆,谷歌学者) 进行文献搜索.
- 基于数据类型,融合策略和临床相关性的研究评估.
主要成果:
- 在乳腺癌预测中对常见数据类型和核心任务的分类.
- 多模式数据融合策略的分类,分为特征级,决策级和混合融合.
- 详细解释和对每个融合类别的预测步骤和有效性的比较.
结论:
- 对于乳腺癌的深度学习中的多模式融合仍处于探索阶段.
- 未来的研究应该解决高质量的公共数据集的稀缺问题.
- 开发强大的网络架构和自适应融合策略对于跨模式捕获互补信息至关重要.
