{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,11]]，“日期-时间”：“2024-09-11T05:53:29Z”，“时间戳”：1726034009089}，“引用-计数”：72，“出版商”：“爱思唯尔BV”，“许可证”：[{“开始”：{-“日期-部分”：[2021,11]]，”日期-时间“：“2021-11-01T00:00Z”，“timestamp”：16357248000000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2021,9,28]]，“date-time”：“2021-09-28T00:00:00Z”，“timestamp”：163278720000}，“content-version”：“vor”，“delay-in-days”：“0，”URL“http://creativecommons.org\/license\/by\/4.0\/“}]，”内容域“：{”域“：[”临床医生.fr“，”临床医师.jp“，“clinicalkey.com.au”，“cliticalkey.es”，“临床医生.com”，“elsevier.com”，”sciencedirect.com“]，”crossmark-restriction“：true}，”short-container-title“：[“生物和医学中的计算机”]，“published-print”：{“date-parts”：[2021,11]}，“DOI”：“10.1016\/j.compbiomed.2021.04890”，“type”：“journal-article”，“created”：{“date-ports”：[2021,21]]}9,28]]，“日期-时间”：“2021-09-28T12:09:12Z”，“时间戳”：1632830952000}，“页面”：“104890”，“更新策略”：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy”，“源”：“Crossref”，《is-referenced-by-count》：30，“special_numberning”：“C”，“title”：[“宫颈组织病理学图像中异常细胞检测的深度多站学习”]，“前缀”：“10.1016”，“卷”：“138”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0001-5737-9056”，“authenticated-ORCID”：false，“给定”：“Anabik”，“family”：“Pal”，“sequence”：“first”，“affiliation”：[]}，{“given”：”Zhiyun“，”family“：”Xue“，”sequence“：”additional}，{“给定”：“Adekunbiola”，“家庭”：“Aina F Banjo”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-7210-6670”，“authenticated-ORCID”：false，“given”：”Clement Akinfolarin“，”family“：”Adepitis“，”sequence“：”additional ney“，”family“：”Long“、“sequence”：“additional”，“affiliation”：[]}，{“given”：“Mark”，“family”：“Schiffman”，“sequences”：“附加”，“atfiliation“：[]{”ORCID“：”http://\/ORCID.org\/00000-0002-0040-1387“，”authenticated-ORCID“：false，”given“：“Sameer”，“家族”：“Antani”，“序列”：“additional”、“affistration”：“[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.compbiomed.2021.104890_bib1”，“doi-asserted-by”：“crossref”，“first page”：“707”，“doi”：“10.1136\/bmj.298.6675.707”，“article-title”：“宫颈上皮内瘤变组织病理学诊断和分级的观察者变化”，“volume”：《298》，“author”：“Ismail”，《年份》：“1989”，“journal-title“：”“bmj（Clinical research ed.）”}，{“issue”：“7”，“key”：“10.1016\/j.compbiomed.2021.104890_bib2”，“doi-asserted-by”：“crossref”，”首页“：“475”，“doi”：“101016\/j.compmedimag.2013.08.001”，“article-title”：“基于融合的子宫颈癌组织学图像分类方法”，“volume”：”37“，”author“：”De“，”year“：”2013“，”journal-title“：”Comput.Med.Imag.Graph.“}，{”issue“1“，”键“：“10.1016\/j.com.pbiomed.2021.104890_bi3”，“doi断言者”：“crossref”，“第一页”：“112”，“doi”：“10.1109\/JSTPSP.2008.2011157”，“文章标题”：“宫颈上皮内瘤变的辅助诊断（cin）”，“卷”：“3”，“作者”：“王”，“年份”：“2009”，“期刊标题”：“IEEE信号处理选题期刊”}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib4”，“首页”：“456”，“文章标题”：“宫颈癌分类的计算机辅助决策支持系统”，“卷”：“8499”，“作者”：“Rahmadwati”，“年份”：“2012”}，{“键”：“10.116\/j.com biomed.2021.104890_bb5”，“doi-asserted-by”：“交叉引用”，“非结构化”：“S.j.Keenan，j.Diamond，W.Glenn McClowage，H。Bharucha，D.Thompson，P.H.Bartels，P.W.Hamilton，《宫颈上皮内瘤变（cin）组织学分级的自动机器视觉系统》，J.Pathol。192（3）351\u2013362.“，”DOI“：”10.1002\/1096-9896（2000）9999:9999<：：AID-PATH708>3.0.CO；2-I“}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib6”，“doi-asserted-by”：“crossref”，“unstructured”：“P.Guo，H.Almubarake，K.Banerjee，R.Stanley，R.Long，S.Antani，G.Thoma，R.Zuna，S.Frazier，R.Moss，W.Stoecker，子宫颈癌数字组织学图像评估局部分类的增强，j.Pathol.Inf.7（1）51.“，”DOI“：”10.4103\/2153-3539.197193“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib7“，”DOI-asserted-by“：”crossref“，”first page“：“90378”，“DOI”：“10.1109\/ACCESS.2019.2924467”，“article-title”：“使用多层隐藏条件随机场和弱监督学习的宫颈组织病理学图像分类”，“volume”：“7”，“author”：“Li”，“年份“：”2019“，”期刊标题“：”IEEE Access“}，{“issue”：“9”，“key”：“10.1016\/j.compbiomed.2021.104890_bib8”，“doi-asserted-by”：“crossref”，“first page”：”2389“，”doi“：”10.1007\/s00216-021-03184-z“，”article-title“：”基于智能手机的生物医学检测的最新趋势：综述“，”卷“：”413“，”作者“：”Banik“，”年“：”2021“，”journal-title“：”分析。Bioanal公司。化学。“}，{”issue“：”6“，”key“：”10.1016\/j.compbiomed.2021.104890_bib9“，”doi-asserted-by“：”crossref“，”first page“：“610”，“doi”：“10.1109\/TSMC.1973.4309314”，“article-title”：“图像分类的纹理特征”，“volume”：“3”，“author”：“Haralick”，“year”：“1973”，“journal-title“：”IEEE Transactions on Systems，Man，and Controlnetics SMC-“}”，{“问题”：“1”，“密钥”：“10.1016\/j.compbiomed.2021.104890_bib10“，“doi-asserted-by”：“crossref”，“first page”：“51”，“doi”：“10.1016\/0031-3203（95）00067-4”，“article-title”：“纹理测量与基于特征分布的分类的比较研究”，“volume”：《29》，“author”：“Ojala”，“year”：“1996”，“journal-title“：“Pattern Recogn”。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib11“，”series-title“：”2005 IEEE计算机学会计算机视觉和模式识别会议（CVPR\u201905）“，”首页“：”886“，”article-title“：“人类检测定向梯度直方图”，“volume”：“1”，“author”：“Dalal”，“year”：“2005”}，”{“key”：”10.116\/j.com piomed.2021.104890_bib12“，”系列标题“：“计算机科学讲义”，“doi断言者”：“crossref”，“第一页”：“355”，“doi”：“10.1007\/978-3-642-45062-4_48”，“文章标题”：“一种新的用于识别皮肤病的旋转不变韦伯局部描述符”，“作者”：“Pal”，“年份”：“2013”}，{“key”：“10.1016\/j.com.pbiomed.201.104890_bi13”，“系列标题”：“2013年第三届国际计算与通信进展会议”，“首页”：“208”，“文章标题”：“基于支持向量机的局部二进制模式皮肤病识别”，“作者”：“Das”，“年份”：“2013”}，{“密钥”：“10.1016\/j.compbiomed.2021.04890_bib14”，“series-title”：“2016 IEEE计算机视觉和模式识别会议”首页“：“770”，“article-title”：“图像识别的深度剩余学习”，“author”：“He”，“year”：“2016”}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib15”，“series-title”：《神经信息处理系统进展》25，“first page”：Krizhevsky“，“年份”：“2012”}，{“问题”：“11”，“关键”：“10.1016\/j.compbiomed.2021.104890_bib16”，“doi-asserted-by”：“crossref”，“首页”：“2278”，“doi”：“101109\/5.726791”，“文章标题”：“基于梯度的学习应用于文档识别”，“卷”：“86”，“作者”：“乐村”，“年”：“1998”，“日志标题”：“密钥”：“10.1016 \/j.compbiomed.2021.104890_bib17“，“article-title”：“使用深度卷积特征和梯度增强树分类器的混合集成从高分辨率乳腺显微镜图像中进行癌症类型分类”，“author”：“Sanyal”，“year”：“2021”，“journal-tittle”：“IEEE ACM Trans。计算。Biol.Bioinf“}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib18”，“series-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2018”，“首页”：“389”，“文章-标题”：“Capsdemm：检测皮肤活检图像中蒙罗微脓肿的胶囊网络”，“作者”：“Pal”，“年份”：“2018”}，}“密钥”：“10.1016 \/j.compbiomed.2021.104890_bib19“，“series-title”：“医学图像计算和计算机辅助干预手册，爱思唯尔和MICCAI学会丛书”，“首页”：“521”，“article-title”：“第22章-数字组织病理学的深度多实例学习”，“作者”：“Ilse”，“年份”：“2020”}，{“关键”：“10.1016\/j.com.pbiomed.20211.04890_bi20“，”doi asserted by“：”crossref“，”首页“：”329“，”doi“：”10.1016\/j.patcog.2017.10.009“，”文章标题“：”多实例学习：问题特征和应用调查“，”卷“：”77“，”作者“：”Carbonneau“，”年份“：”2018“，”期刊标题“：”Pattern Recogn“。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib21“，”first page“：比较液基宫颈细胞学图像中多细胞分类的深度学习模型”，“卷”：“2019”，“作者”：“Sornapudi”，“年份”：“2020”，“期刊标题”：“AMIA年度研讨会论文集”}，{“问题”：“6”，“关键”：“10.1016\/j.compbiomed.2021.104890_bib23”，“doi-asserted-by”：“crossref”，“首页”：“1633”，”doi“10.1109\/JBHI.2017.2705583“，”article-title“：”Deeppap:宫颈细胞分类的深度卷积网络“，”volume“：”21“，”author“：”Zhang“，”year“：”2017“，”journal-title”：“IEEE journal of Biomedical and Health Informatics”}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib24”，“doi-asserted-by”：“crossref”，“first page”：”75846“，”doi“：”10.1109\/ACCESS.2020.2989369“，”article-title“：“基于深度信息的宫颈细胞学图像细胞核分割”，“volume”：“8”，“author”：“Wang”，“year”：“2020”，“journal-title”：“IEEE ACCESS”}，{“key”：”10.1016\/j.compbiomed.2021.104890_bib25“，”doi-asserted-by“：”crossref“，”first page“：”32559“，”doi“：”10.1109\/ACCES.2021.3060447“，”article-title“：“使用深度学习方法对宫颈细胞进行自动分类”，“volume”：“9”，“author”：“Yu”，“year”：“2021”，“journal-title”：“IEEE Access”}，{“issue”：“20”，“key”：”10.1016\/j.compbiomed.2021.104890_bib26“，”doi-asserted-by“：”crossref“，”doi“10.3390\/ijms2025114”，“article-title”宫颈细胞分割和异常分类计算方法综述”，“体积”：“20”，“作者”：“Concei\u00e7\u00e 3o”，“年份”：“2019年”，“期刊标题”：“国际分子科学杂志”。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib27“，”doi-asserted-by“：”crossref“，”first page“：“61687”，“doi”：“10.1109\/ACCESC.2020.2983186”，“article-title”：“利用深度学习进行宫颈细胞病理学图像分析的调查”，“volume”：“8”，“author”：“Rahaman”，“year”：“2020”，“journal-title“：”IEEE ACCESS“}”，{“key”：”10.1016\/j.compbiomed.2021.104890_bib28”，“series-title”：“Deepcircle:一个基于深度学习的框架，用于使用混合深度特征融合技术对宫颈细胞进行分类”，“author”：“Rahaman”，“year”：“2021”}，{“key”：”10.1016\/j.coppbiomed.2020 1.104890 _bib29“，”doi-asserted-by“：”crossref“，“first page”:“280”，“doi”：“10.1016\/j.media.2019.03.009“，“文章标题”：“非监督：医学图像分析中半监督、多实例和迁移学习的调查”，“卷”：“54”，“作者”：“切普里吉纳”，“年份”：“2019”，“期刊标题”：《医学图像分析》。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib30“，”doi-asserted-by“：”crossref“，”first page“：“101693”，”doi“：”101016\/j.media.2020.101693“，”article-title“：”拥抱不完善的数据集：医学图像分割深度学习解决方案综述“，”volume“:”63“，”author“：”Tajbakhsh“，”year“：”2020“，”journal-title”：“Med.image Anal.”}，{“密钥”：“10.1016\/j.compbiomed.2021.104890_bib31“，”doi-asserted-by“：”crossref“，”first page“：”101539“，”doi“：”10.1016\/j.media.2019.101539“、”article-title“：”使用图像上下文恢复进行医学图像分析的自我监督学习“，”volume“：“58”，”author“：”Chen“，”year“：”2019“，“journal-title”：“Med.image Anal”。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib32“，”doi-asserted-by“：”crossref“，”first page“：“106647”，”doi“：”101016\/j.knosys.2020.106647“，”article-title“：”Fss-2019-ncov:一种半监督的covid-19感染少热点分割的深度学习架构“，”volume“：知道。基本系统。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib33“，”doi-asserted-by“：”crossref“，”first page“：“53266”，“doi”：“10.1109\/ACCESC.2021.3069346”，“article-title”：“宫颈图像分类深度度量学习”，“volume”：“9”，“author”：“Pal”，“year”：“2021”，“journal-title“：”IEEE ACCESS“}”，{1.104890_bib34“，”series-title“：”医学图像分析的深度学习”，“首页”：“83”，“文章标题”：“第4章-医学图像识别的多实例多阶段深度学习”、“作者”：“Yan”，“年份”：“2017年”}，{“关键”：“10.1016\/j.compbiomed.2021.104890_bib35”，“doi-asserted-by”：“crossref”，“第一页”：计算组织病理学的深层神经网络模型：调查”，“卷”：“67”，“作者”：“Srinidhi”，“年份”：“2021年”，“期刊标题”：“医学图像分析”。“}，{”issue“：”11“，”key“：”10.1016\/j.compbiomed.2021.104890_bib36“，”doi-asserted-by“：”crossref“，”first page“：“2376”，”doi“：”101109\/TMI.2017.2724070“，”article-title“：”组织病理学图像分割的深度监管薄弱“，”volume“:”36“，“author”：“Jia”，“year”：“2017”，“journal-title”：“IEEE Trans.Med.Imag.”}，”{“key“：”10.1016\/j.compbiomed.2021.104890_bib37“，“series-title”：“Terabyte-scale深度多实例学习用于病理学分类和定位”，“author”：“Campanella”，“year”：“2018”}，{“issue”：“4”，“key”：“10.1016\\j.compbiomed.2021.104890_bib38”，“doi-asserted-by”：“crossref”，“first page”：”854“，“doi”：“101109\/TMI.2019.2936244”article-title“：“使用多实例学习和极值定理对体积图像进行分类”，“体积”：“39”，“作者”：“Tennakoon”，“年份”：“2020”，“期刊标题”：“IEEE Trans。医学影像学。“}，{”issue“：”1“，”key“：”10.1016\/j.compbiomed.2021.104890_bib39“，”doi-asserted-by“：”crossref“，”first page“：“360”，”doi“：”101186\/s12859-017-1768-8“，”article-title“：”并行多实例学习用于超大组织病理学图像分析“，”volume“：18”，“author”：“Xu”，“year”：“2017”，“journal-title”：“BMC Bioinf.”}，，{“key”：“”10.1016\/j.compbiomed.2021.104890_bib40“，”doi-asserted-by“：”crossref“，”first page“：”15“，”doi“：”10.1016\/j.patcog.2017.08.026“，”article-title“：”Revisiting multiple instance neural networks“，”volume“：“74”，“author”：“Wang”，“year”：“2018”，“journal-title”：“Pattern Recogn”。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib41“，”series-title“：”2017 IEEE国际计算机视觉研讨会“，”首页“：”318“，”article-title“：“web视频注释多实例学习中的自适应池”，“author”：“Liu”，“year”：“2017”}，“issue”：“3”，“key”：“10.1016\/j.coppbiomed.2021.104890_bb42”，“doi-asserted-by”：“”crossref“，”first page“：”887“，”DOI“：”10.1109\/TCBB.2017.2780842“，”article-title“：”使用两级级联CNN检测和识别细胞癌的生命状态“，”volume“：“17”，”author“：”Hu“，“year”：“2020”，”journal-title”：“IEEE ACM Trans。计算。Biol.Bioinf“}，{“issue”：“22”，“key”：“10.1016\/j.compbiomed.2021.104890_bib43”，“doi-asserted-by”：“crossref”，“首页”：“2199”，“doi”：“101001\/jama.2017.14585”，“article-title”：“CAMELYON16联盟，乳腺癌女性淋巴结转移检测深度学习算法的诊断评估”，“volume”：”318“，“author”：“Ehteshami Bejnordi“，“年份”：“2017年”，“期刊标题”：“美国医学协会”}，{“问题”：“8”，“关键”：“10.1016\/J.compbiomed.2021.104890_bib44”，“doi-asserted-by”：“crossref”，“首页”：“1301”，“doi”：“101038\/s41591-019-0508-1”，“文章标题”：”“临床级计算病理学，使用弱监督的整体幻灯片图像深度学习”，“卷”：“25”，“”author“：”Campanella“，”year“：”2019“，”journal-title“：”Nat.Med.“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib45“，”doi-asserted-by“：”crossref“，”first-page:“489”，“doi”：“10.1016\/j.media.2016.08.008”，“article-title”：“结肠组织学图像中的腺体分割：glas挑战赛”，“volume”：“35”，“author”：“Sirinukunwattana”“，”年份“：”2017“，”journal-title“：”医学图像分析。“}，{”issue“：”2“，”key“：”10.1016\/j.compbiomed.2021.104890_bib46“，”doi-asserted-by“：”crossref“，”first page“：“233”，”doi“：”10.0016\/S1470-2045（19）30739-9“，”article-title“：”Automated deeplearning system for gleason grading of prostate cancer using bises:a diagnostic study“，”volume“21”，“author”：“Bulten”，“year”：“2020”，“journal-title”：“”柳叶刀Oncol。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib47“，”series-title“：“医学成像2018：数字病理学”，”article-title“：”使用补丁级别摘要统计对肺癌组织学图像进行分类“，”author“：”Khurram“，”year“：”2018“}“key”：“10.1016\\j.compbiomed.20211.104890_bib48”，“article-title”：“”BrcaSeg：组织定量和组织病理学图像基因组相关性的深度学习方法”，“作者”：“Lu”，“年份”：“2021”，“期刊标题”：“Dev.Reprod。Biol.“}，{”issue“：”4“，”key“：”10.1016\/j.compbiomed.2021.104890_bib49“，”doi-asserted-by“：”crossref“，”first page“：“61”，”doi“：”10.3390\/jimaging3040061“，”article-title“：”使用非监督和半监督超像素分割在组织病理学图像中识别上皮和基质“，”volume“：3”，“author”：“Fouad”，“year”：“2017”，“journal-title“：《成像杂志》}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib50”，“series-title”：“2015 IEEE第28届基于计算机的医疗系统国际研讨会”，“首页”：“84”，“article-title”：《交互式分段重新标记用于全滑组织病理学图像分类》，“author”：“Haridas”，“year”：“2015}”，{10.1016\/j.compbiomed.2021.104890_bib51“，”doi-asserted-by“：”crossref“，”first page“：”199“，“doi”：“10.1016\/j.media.2018.12.001”，“article-title”：“MILD-net：结肠组织学图像中腺体实例分割的最小信息损失扩张网络”，“volume”：“52”，“author”：“Graham”，“year”：“2019”，“journal-title“：”Med.Image Anal。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib52“，”doi-asserted-by“：”crossref“，”first page“：“135”，“doi”：“10.1016\/j.media.2016.11.004”，“article-title”：“DCAN:deep contour-aware networks for object instance segmentation from organisory images”，“volume”：“36”，“author”：“Chen”，“year”：“2017”，“journal-title“：”Med.Image Anal.“}”，{“key”：“”10.1016\/j.compbiomed.2021.104890_bib53“，”doi-asserted-by“：”crossref“，”first page“：”59“，”doi“：”10.1016\/j.cmpb.2018.01.027“，”article-title“：”银屑病皮肤活检图像的深度卷积神经网络分割“，”volume“：。方法进展。生物识别。“｝，｛”issue“：”2“，”key“：”10.1016\/j.com.pbiomed.20211004890_bi54“，”doi断言“：”crossref“，”首页“：”448“，”doi“：”10.1109\/TMI.2018.2865709“，”文章标题“：”通过距离图深度回归对组织病理学图像中的细胞核进行分割“，”卷“：”38“，”作者“：”Naylor“，”年份“：”2019“，”期刊标题“：”IEEE Trans.Med.Imag.“｝，｛”key“：”10.1016\/j.compbiomed.2021.104890_bib55“，”doi-asserted-by“：”crossref“，”first page“：”101563“，”doi“：”10.1016\/j.media.2019.101563“、”article-title“：”Hover-net：多组织组织学图像中细胞核的同时分割和分类“，”volume“：“58”，“author”：“Graham”，“year”：“2019”，“journal-title”：“Med.Image Anal”。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib56“，”doi-asserted-by“：”crossref“，”first page“：“101786”，”doi“：”101016\/j.media.2020.101786“，”article-title“：”Triple u-net:苏木精敏感细胞核分割与渐进致密特征聚集“，”volume“：‘65’，”author“：”Zhao“，”year“2020”，”journal-title：“Med.Image Anal.”}，}“issue”：“14”，“key“：”10.1016\/j.compbiomed.2021.104890_bib57“，”doi-asserted-by“：”crossref“，”首页“：”9915“，”doi“：”101007\/s00521-019-04516-y“，”article-title“：”FABnet：“用于同时分割口腔癌常规组织学图像中微血管和神经的特征注意力网络”，“volume”：“32”，“author”：“Fraz”，“year”：“2019”，“journal-title“：”神经计算。申请。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib58“，”series-title“：”2014 IEEE声学、语音和信号处理国际会议“，”first page“：10.1016\/j.compbiomed.2021.104890_bib59“，“series-title”：“IEEE\/CVF计算机视觉和模式识别会议论文集”，“article-title”：“C-mil:弱监督对象检测的连续多实例学习”，“author”：“Wan”，“year”：“2019”}，{“key”：”10.1016\/j.coppbiomed.2021.104890_bin60“，“series-title“：”2020年医学生物学学会IEEE工程第42届国际年会”，“首页”：“1128”，“文章标题”：“乳腺X光片中乳腺癌检测的两阶段多实例学习框架”，“作者”：“Sarath”，“年份”：“2020”}，{“问题”：“1”，“关键”：“10.1016\/j.compbiomed.2021.104890_bib61”，“第一页”：”31“article-title“：”用轴平行矩形解决多实例问题“，”volume“：”89“，”year“：”1997“，”journal-title”：“Artif。智力。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib62“，”doi-asserted-by“：”crossref“，”first page“：“81”，“doi”：“10.1016\/j.artint.2013.06.003”，“article-title”：“多实例分类：综述、分类和比较研究”，“volume”：“201”，“year”：“2013”，“journal-title“：”Artif.Intell.“}”，{“key”：_bib63“，”doi-asserted-by“：”crossref“，”doi“：”10.1109\/TKDE.2021.3072345“，”article-title“：”稀疏图注意力网络“，”author“：”Ye“，“year”：“2021”，“journal-title”：“IEEE Trans。知道。数据工程“}，{“key”：“10.1016\/j.compbiomed.2021.104890_bib64”，“series-title”：“2021 IEEE高性能计算机体系结构国际研讨会”，“首页”：“97”，“article-title”：”带级联标记和头部修剪的高效稀疏注意体系结构“，”author“：”Wang“，”year“：”2021“}”，{”key“：”10.1016\\j.compbiomed.20211.104890_bib65“，”series-title“：“第三十三届国际机器学习会议论文集”，“首页”：“1614”，“article-title”：“从softmax到sparsemax:注意力和多标签分类的稀疏模型”，“volume”：“48”，“author”：“Martins”，“year”：“2016”}，{“issue”：“3”，“key”：”10.1016\/j.compbiomed.2021.04890_bib66“，”doi-asserted-by“：”crossref“，”first page“：”698“，”doi“：”10.1109\/TSP.2017.2771720“，“article-title”：“通过u21130正则化的稳健线性回归”，“volume”：“66”，“author”：“Liu”，“year”：“2018”，“journal-title“：”IEEE Trans。信号处理。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib67“，”series-title“：”最大熵正则化与中文文本识别，CoRR abs\/2007.04651“，”author“：”Cheng“，”year“：”2020“}”，{“key”：“10.1016\\j.compbiomed.2021.104890_bib68”，“series-ttle”：“Opennmt:神经机器翻译开源工具包”，“author”：“Klein”，“year”：“2017”}，”{“key”：“10.1016\/j.compbiomed.2021.104890_bib69“，“series-title”：“自适应稀疏变形金刚”，“author”：“Correia”，“year”：“2019”}，{“key”：“10.1016\\j.compbiomed.2021.104890_bib70”，“作者”：“Cholet”}、{“密钥”：“1016\/j.compbimed.2021.04890_bin71”，“首页”：“37”，“文章标题”：“评价：从精确性、回忆性和f度量到roc、信息性、标记性和相关性”，“作者”：“权力”，“年份”：“2011年”，“新闻标题”：“J.Mach。学习。Technol公司。“}，{”key“：”10.1016\/j.compbiomed.2021.104890_bib72“，”article-title“：”评估：从精确性、回忆性和f-measure到roc、信息性、标记性和相关性“，”author“：”Powers“，”year“：”2018“，”journal-title”：“应用计算和信息学”}“，”container-titlelink“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0010482521006843？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL:“https:\//api.elsevier.com/content\/aarticle\/PII:S010482521006843？httpAccess=text\/plain“，”内容类型“：”文本\/plaine“，”content-version“：”vor“，”intended-application“：”text-mining“}]，”deposed“：{”date-parts“：[[2024,1,24]]，”date-time“：”2024-01-24T14:50:38Z“，”timestamp“：1706107838000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/pi\/S0010482512006843”}}}，“subtitle”：[]，“shortitle”:[]，”issued“：{”date-ports“：[[2021,11]]}，”引用计数“：72，”备选id“：[”S0010482521006843“]，“URL”：“http:\/\/dx.doi.org/10.1016\/j.com.pbiomed.20211.04890”，“relationship”：｛｝，“ISSN”：[“0010-4825”]，“ISSN type”：[｛“value”：“0010-4825”，“type”：“print”｝]，“subject”：[]，“published”：｛“date parts”：[[2021,11]]｝，“assertion”：[｛“value”：“Elsevier”，“name”：“publisher”，“label”：“此文章由”｝，｛”value“维护：”子宫颈组织病理学图像中异常细胞检测的深度多因素学习”，“name”：“articletite”，“label”：“Article Title”}，{“value”：“Computers in Biology and Medicine”，“name”：“journaltitle”，“标签”：“Journal Title“}”，{”value“：”https:\\/doi.org\/101016\/j.compbiomed.2021.104890“，”name“：”articlelink“，”label“：”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“Published by Elsevier Ltd.”，“name:”copyright“，”label“：”copyright”}]，“article-number”：”104890“}