1. |
Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin, 2021, 71(3): 209-249.
|
2. |
McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature, 2020, 577(7788): 89-94.
|
3. |
中国抗癌协会, 国家肿瘤临床医学研究中心(天津医科大学肿瘤医院). 中国女性乳腺癌筛查指南. 中国肿瘤临床, 2019, 46(9): 430-432.
|
4. |
李江, 唐威, 李霓, 等. 乳腺癌筛查指南方法学质量和报告质量的系统评价. 中国循证医学杂志, 2018, 18(6): 629-636.
|
5. |
高鹰. 中国女性乳腺癌筛查策略优化研究及卫生经济学评价. 天津: 天津医科大学, 2016.
|
6. |
韩优莉, 王晓燕. 超声检查用于亚洲女性乳腺癌筛查卫生经济学研究的系统评价. 中国肿瘤, 2018, 27(7): 553-560.
|
7. |
刘雁霞, 陈晓娇. 31 057例适龄妇女两癌筛查数据分析. 中外女性健康研究, 2019, (14): 197-198.
|
8. |
张群华. 拥抱互联网医疗和人工智能融合的高光时刻. 中国普外基础与临床杂志, 2020, 27(9): 1049-1051.
|
9. |
Lotter W, Sorensen G, Cox D. A multi-scale CNN and curriculum learning strategy for mammogram classification. Springer: International Publishing, 2017.
|
10. |
Niklason LT, Christian BT, Niklason LE, et al. Digital tomosynthesis in breast imaging. Radiology, 1997, 205(2): 399-406.
|
11. |
Suckling J, Parker J, Dance DR. The mammographic image analysis society digital mammogram database. http://peipa.essex.ac.uk/info/mias.html.
|
12. |
Han S, Kang HK, Jeong JY, et al. A deep learning framework for supporting the classification of breast lesions in ultrasound images. Phys Med Biol, 2017, 62(19): 7714-7728.
|
13. |
Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions. IEEE Computer Society, 2014.
|
14. |
Cho E, Kim EK, Song MK, et al. Application of computer-aided diagnosis on breast ultrasonography: evaluation of diagnostic performances and agreement of radiologists according to different levels of experience. J Ultrasound Med, 2018, 37(1): 209-216.
|
15. |
徐琪. 人工智能时代超声医学新发展. 第二军医大学学报, 2019, 40(5): 478-482.
|
16. |
刘伶俐, 王端, 王力钢. 医疗人工智能应用中的伦理问题及应对. 医学与哲学, 2020, 41(14): 28-32.
|
17. |
余绍德. 卷积神经网络和迁移学习在癌症影像分析中的研究. 深圳: 中国科学院大学(中国科学院深圳先进技术研究院), 2018.
|