成功可信度中
其他行业 · AI应用
基于深度学习的前列腺癌检测
研究人员开发了一种先进的深度学习系统，用于从活检切片中更准确地检测前列腺癌。该系统在包含12,160张切片的大型数据集上训练，采用多实例学习（MIL）方法，仅需整体切片诊断，避免了昂贵的像素级标注。这有助于解决发现微小病变的难题，这些病变可能仅占组织表面的不到1%。
康奈尔大学与纪念斯隆凯特琳癌症中心发布于 2026年7月27日阅读 0
开发了一个用于从活检切片检测前列腺癌的深度学习系统，在12,160张切片的数据集上训练。
未披露
采用多实例学习（MIL）方法，消除了对昂贵像素级标注的需求。
未披露
在包含1,824张切片的测试集上实现了0.98的AUC和4.8%的假阴性率。
未披露
01
业务背景
研究人员开发了一种先进的深度学习系统，用于从活检切片中更准确地检测前列腺癌。该系统在包含12,160张切片的大型数据集上训练，采用多实例学习（MIL）方法，仅需整体切片诊断，避免了昂贵的像素级标注。这有助于解决发现微小病变的难题，这些病变可能仅占组织表面的不到1%。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了一个用于从活检切片检测前列腺癌的深度学习系统，在12,160张切片的数据集上训练。：
采用多实例学习（MIL）方法，消除了对昂贵像素级标注的需求。：
在包含1,824张切片的测试集上实现了0.98的AUC和4.8%的假阴性率。：
该系统解决了检测微小病变的挑战，这些病变可能仅占组织表面的不到1%。：
被认为对构建前列腺癌诊断的临床决策支持系统有效。：
05
风险与边界
客户 / 负责人引述
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。