{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2023,12,25]]，“日期时间”：“2023-12-25T00:24:01Z”，“时间戳”：1703463841125}，“出版商位置”：“新加坡”，“参考计数”：27，“出版者”：“Springer Nature Singapore”，“isbn-type”：[{“值”：“9789819985487”，“类型”：”打印“}，{“值”：“9789819985494”，“type”：“electronic”｝]，“license”：[｛“start”：｛“date parts”：[[2023,12,25]，“date-time”：“2023-12-25T00:00Z”，“timestamp”：17034624000000｝，“content-version”：“tdm”，“delay in days”：0，“URL”：“https:\/\/www.springernace.com\/gp\/researchers\/text and data mining”｝，｛“start”：｛“date parts”：[[2023,12,25]，“date-time”：“2023-12-25T00:00Z”，“时间戳”：1703462400000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https://www.springernature.com//gp\/researters\/text-and-data-mining”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，”short-container-title“：[]，”published-print“：{”date-parts“：[2024]]}”，“DOI”：“10.1007\/978-978 981-99-8549-4_1“，”type“：”book-chapter“，“created”：{“date-parts”：[[2023,12,24]]，“date-time”：“2023-12-24T18:01:32Z”，“timestamp”：1703440892000}，“page”：“3-14”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“Dual-Stream Context-Aware Neural Network for \u00a0 Survival Prediction from \u00a 0整张幻灯片图像“]，“前缀”：“10.1007”，“作者”：[{“给定”：“俊秀”，“家庭”：“高”，“序列”：“第一个”，“从属关系”：[]}，{“给出”：“山”，“家族”：“金”，“顺序”：“附加”，“附属关系”：[]}“：[]}，{”given“：”Tong“，”family“：“Wang”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Hongming”，“family”：“Xu”，“序列”：“附加的”，“从属关系”：[]}]，“成员”：“297”，“published-on-line”：{“date-parts”：[2023,12,25]]}002\/path.6027“，”volume“：”259“，”author“：”H Cai“，”year“：“2023”，“unstructured”：“Cai，H.，et al.：MIST：基于Swin transformer的多示例学习网络，用于大肠腺瘤的全幻灯片图像分类。J.Pathol.259（2），125\u2013135（2023）”，“journal-title”：“J.Pathosl.”}，{“key”：“1_CR2”，“series-title”：《计算机科学讲义》，“doi-asserted-by”：“publisher”，“first page”：“339”，“DOI”：“10.1007\/978-3-030-87237-3_33”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2021”，“author”：“RJ Chen”，“year”：“2021”、“unstructured”：“Chen，R.J.等人：整个幻灯片图像是2D点云：使用基于补丁的图卷积网络进行上下文生存预测。In：de Bruijne，M.等人（编辑）MICCAI 2021。LNCS，第12908卷，第339页\u2013349。查姆施普林格（2021）。https:\/\/doi.org/10.1007\/978-3-030-87237-3_33“｝，｛“key”：“1_CR3”，“nonstructured”：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。在：机器学习国际会议，第1597\u20131607页。PMLR（2020）“}，{“问题”：“10”，“关键”：“1_CR4”，“doi-asserted-by”：“出版商”，“首页”：“1559”，“doi”：“10.1038\/s41591-018-0177-5”，“卷”：“24”，“作者”：“N Coudray”，“年份”：“2018”，“非结构化”：“Coudray，N.，等：利用深度学习从非小细胞肺癌组织病理学图像进行分类和突变预测。Nat.Med.24（10），1559\u20131567（2018）“，”journal-title“：”Nat.Med.“}，{”key“：”1_CR5“，”unstructured“：”Dosovitskiy，A.，et al.：图像值16美元\\倍于16美元的单词：图像识别的变形金刚。arXiv预印本arXiv:2010.11929（2020）“}”，{“issue”：“3”，“key”：“1_CR6”，“doi-asserted-by”：“publisher”，“首页”：“331”，“doi”：“10.1007 \/s13402-019-00429-z“，”volume“：”42“，”author“：”OGF Geessink“，”year“：”2019“，”unstructured“：”Geessink，O.G.F.等：“肿瘤内基质的计算机辅助量化产生了直肠癌的独立预测因子。单元格。昂科尔。42（3），331\u2013341（2019）。https:\/\/doi.org\/10.1007\/s13402-019-00429-z“，”journal-title“：”手机。昂科尔。“}，{”key“：”1_CR7“，”series-title“：”计算机科学课堂讲稿“，”doi-asserted-by“：”publisher“，”first page“：“561”，”doi“：”10.1007\/978-3-030-87237-3_54“，”volume-title“：“医学图像计算与计算机辅助干预\u2013 MICCAI 2021”，“author”：“Z Huang”，“year”：“2021”“unstructured”：”Huang，Z.，Chai，H.，Wang，R.，Wang-H.，Yang，Y.，Wu，H.：通过自我监督学习和变压器整合补丁特征，以对整个幻灯片图像进行生存分析。收录：de Bruijne，M.等人（编辑）MICCAI 2021。LNCS，第12908卷，第561\u2013570页。查姆施普林格（2021）。https:\/\/doi.org\/10.1007\/978-3-030-87237-3_54“}，{“key”：“1_CR8”，“unstructured”：“Ilse，M.，Tomczak，J.，Welling，M.：基于注意力的深度多实例学习。收录：机器学习国际会议，第2127\u20132136页。PMLR（2018）“}，{”key“：”1_CR9“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.compbiomed.2023.106883“，”volume“：“158”，”author“：”S Jiang“，“year”：“2023”，“unstructured”：“Jiang，S.，Suriawinata，A.A.，Hassanpour，S.:MHAttnSurv：使用全滑病理图像进行生存预测的多头关注。Compute.Biol.Med.158，106883（2023）”，“期刊标题“：”计算。生物医学“}，{“key”：“1_CR10”，“unstructured”：“Laleh，N.G.，Echle，A.，Muti，H.S.，Hewitt，K.J.，Schulz，V.，Kather，J.N.：消化道癌组织病理学中可解释的端到端生存预测的深度学习。in:COMPAY 2021:第三届MICCAI计算病理学研讨会（2021）”}，}，“key“：”1_CR11“，”doi-asserted-by“：”crossref”，“unstructured”：“Li，B.，Li，Y.，Eliceiri，K.W.：双流多实例学习网络，用于具有自我监督对比学习的整个幻灯片图像分类。收录于：IEEE计算机视觉和模式识别会议论文集，第14318\u201314328（2021）页，“DOI”：“10.1109\/CVPR46437.2021.01409”}，{“key”：“1_CR12”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：医学图像计算和计算机辅助干预\u2013 MICCAI 2018“，“作者”：“R Li”，“年份”：“2018”，“非结构化”：“Li，R.，Yao，J.，Zhu，X.，Li，Y.，Huang，J.：用于全幻灯片病理图像生存分析的图形CNN。收录人：Frangi，A.F.、Schnabel，J.A.、Davatzikos，C.、Alberola-L\u00f3pez，C.、Fichtinger，G.（编辑）MICCAI 2018。LNCS，第11071卷，第174\u2013182页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00934-2_20“}，{“key”：“1_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，S.，Johns，E.，Davison，A.J.：关注的端到端多任务学习。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第1871_20131880（2019）页”，“doi”：“10.1109\/CVPR.2019.00197”}，}“key“：”1_CR14“，”unstructured“：”Liu，S.，Huang，D.，Wang，Y.：学习用于单次目标检测的空间融合。arXiv预打印arXiv:1911.09516（2019）“}，{“key”：“1_CR15”，“doi-asserted-by”：“crossref”，“unstructured”：“Lv，Z.，Lin，Y.，Yan，R.，Wang，Y..，Zhang，F.：TransSurv：结直肠癌组织病理学图像和基因组数据的基于变压器的生存分析模型。IEEE\/ACM计算生物学和生物信息学汇刊（2022）“，”DOI“：”10.1109\/TCBB.2022.3199244“}，{“issue”：“13”，“key”：“1_CR16”，“DOI-asserted-by”：“publisher”，“first-page”：“E2970”，“DOI”：“10.1073\/pnas.1717139115”，“volume”：”115“，“author”：“P Mobadersany”，“year”：“2018”，“unstructured”：“Mobadersany，P.等人：利用卷积网络从组织学和基因组学预测癌症结果。程序。美国国家科学院。科学。115（13），E2970\u2013E2979（2018）“，“期刊标题”：“Proc。美国国家科学院。科学。“}，{”key“：”1_CR17“，”doi-asserted-by“：”crossref“，”unstructured“：”Roy，S.，kumar Jain，A.，Lal，S.、Kini，J.：组织病理学图像颜色标准化方法研究。Micron 114，42\u201361（2018）“，”doi“：”10.1016\/J.Micron.2018.07.005“}”{“key”：“1_CR18”，“doi-assert-by”：“publisher”，“doi”：“10.1016\/J.media.2022.102464”，“卷”：“79”，“作者：“Y Schiris”，“year”：“2022”，“unstructured”：“Schiris，Y.，Gavves，E.，Nederlof，I.，Horlings，H.M.，Teuwen，J.：DeepSMILE：对比性自我监督预培训直接从结直肠癌和乳腺癌的H&E全滑图像中对MSI和HRD分类产生益处。医学图像分析。79，102464（2022）“，“新闻标题”：“医学图像分析。“}，{”issue“：”12“，”key“：”1_CR19“，”doi-asserted-by“：”publisher“，”first page“：“3739”，”doi“：”10.1109\/TMI.2021.3097319“，”volume“:”40“，”author“：”W Shao“，”year“：”2021“，”unstructured“：”Shao，W.，Wang，T.，Huang，Z.，Han，Z..，Zhang，J.，Hung，K.：从全滑病理图像预测生存的弱监督深度有序cox模型。IEEE传输。医学成像40（12），3739\u20133747（2021）“，“期刊标题”：“IEEE Trans。医学成像“}，{“问题”：“10221”，“关键”：“1_CR20”，“doi-asserted-by”：“出版商”，“首页”：“350”，“doi”：“10.1016\/S0140-6736（19）32998-8”，“卷”：“395”，“作者”：“OJ Skrede”，“年份”：“2020”，“非结构化”：“Skredi，O.J.等人：结直肠癌预后预测的深度学习：一项发现和验证研究。《柳叶刀》395（10221），350\u2013360（2020）“，”journal-title“：《柳叶刀》}，{“key”：“1_CR21”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.media.2020.101813”，“volume”：”67“，”author“：”CL Srinidhi“，”year“：”2021“，”unstructured“：”Srinidki，C.L.，Ciga，O.，Martel，A.L.：计算组织病理学的深层神经网络模型：一项调查。Med.Image Anal.67，101813（2021 1）“，”期刊标题“：”医学图像分析。“}，{”key“：”1_CR22“，”doi-asserted-by“：”crossref“，”unstructured“：”Srinivas，A.，Lin，T.Y.，Parmar，N.，Shlens，J.，Abbeel，P.，Vaswani，A.：视觉识别的瓶颈变换器。摘自：IEEE计算机视觉与模式识别会议论文集，pp.16519\u201316529（2021）“，”doi“：”10.1109\/CVPR46437.2021.01625“}”，{“key”：“”1_CR23“，”非结构化“：”Vaswani，A.等人：注意力就是你所需要的。神经信息处理系统进展，第30卷（2017）“}，{“key”：“1_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，Q.，Wu，B.，Zhu，P.，Li，P..，Zuo，W.，Hu，Q.：ECA-Net：深度卷积神经网络的有效通道关注。摘自：IEEE CVF计算机视觉和模式识别会议论文集，第11534\u201311542（2020）页“，”DOI“：”10.1109\/CVPR42600.2020.01155“}，{”key“：”1_CR25“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“3”，”DOI:“10.1007\/978-3-30-01234-2_1”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“作者”：“S Woo”，“年份”：“2018年”，“非结构化”：“Woo，S.，Park，J.，Lee，J.-Y.，Kweon，I.S.：CBAM：卷积块注意模块。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11211卷，第3\u201319页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01234-2_1“}，{”key“：”1_CR26“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.media.2020.101789“，”volume“：“65”，”author“：”j Yao“，”year“：”2020“，”unstructured“：”Yao，J.、Zhu，X.、Jonnagaddala，J.，Hawkins，N.、Huang，J.：使用注意力引导的深度多实例学习网络，基于整张幻灯片图像的癌症生存预测。医学图像分析。65，101789（2020）“，“新闻标题”：“医学图像分析。“｝，｛”key“：”1_CR27“，”doi asserted by“：”publisher“，”doi“：”10.1016\/j.ebiom.2020.103054“，”volume“：”61“，”author“：”K Zhao“，”year“：”2020“，”nonstructured“：”Zhao，K.等人：人工智能量化的肿瘤间质比率是可切除结直肠癌总生存率的独立预测指标。EBioMedicine 61103054（2020）“，”journal-title“：”EBioMedicine“}]，“container-title”：[“模式识别和计算机视觉”，“计算机科学课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/978-991-8549-4_1”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查”}]存放“：{“date-parts”：[[2023,12,24]]，“date-time”：“2023-12-24T18:07:31Z”，“timestamp”：1703441251000}，“score”：1，“resource”：{”primary“：{“URL”：“https:\\/link.springer.com\/10.1007\/978-991-99-8549-4_1”}}，”subtitle“：[]，”shortitle“[]，“issued”：{“date-ports”：[2023,12,25]}，‘ISBN’：[“9789819985487”，“978981 9985494”]，“references-count”：27，“URL”：“http:\/\/dx.doi.org\/10.1007\/978-981-99-8549-4_1“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”值“：”0302-7743“”，”类型“：”打印“}，{”价值“：”1611-33049“，”类型”：“电子”}]，”主题“：[]，”发布“：{”日期段“：[2023,12,25]]}，“断言”：[{“value“：”2023年12月25日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group“：{”name“：”ChapterHistory“，”label“：”Chapter History”}}，{”value“：”PRCV“，”order“：1，”name“:”conference_acrombition“，”标签“：”会议缩写词“，”group“:{”name:“ConferenceInfo”，“label”：“Conferency Information”}，“value”：“Chinese conference on Pattern Recognition and Computer Vision（PRCV）”，“order”：2，“name”：“conference_name”，“table”：“”会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“厦门”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：“，”label“：”会议信息“}}，{“value”：“2023”，“order”：5，“name”：“Conference_year”，“label”：“会议年份”，“group”：{“name”:“ConferenceInfo”，“table”：“Conferency Information”}}、{“value”：“2023年10月13日”，“订单”：7，“name“：”Conference_start_date“，”label“:”会议开始日期“，”group“：{”name“：{“value“：”2023年10月15日“，”order“：8，”name“：”conference_end_date“，”label“：”会议结束日期“，”group“：：10，“名称”：conference_id“，”label“：”会议id“，”group“：{”name“：”ConferenceInfo“，”label“：“会议信息”}}，{”value“：”https:\/\/prcv2023.xmu.edu.cn\/“，”order“：11，”name“:”conferenceurl“，name“：”type“，”label“：”type“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”Microsoft CMT“，”order“：2，“name”：“conference_management_system”，“label”：“会议管理系统”，“group”：{同行评审信息（由会议组织者提供）“}}，{“value”：“1420”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”37%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3,78“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“3,69”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评议资料（由会议主办方提供）”}}external_reviewers_involved”，“label”：“涉及的外部评审员”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝