本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

Dec, 2019

本研究通过开发基于深度学习的系统，在3,652例（27,300张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含1,239例（9,340张切片）和738例（7,140张切片）的评估，该系统实现了0.70和0.69的5年疾病特异性存活AUC，并为一组9个临床病理特征提供了显著的预测价值。

Nov, 2020

以神经网络和多任务逻辑回归为基础的深度多模态机器学习方法，可提高癌症患者特定生存率的准确预测，其二年AUROC为0.774，C指数为0.788。

Dec, 2020

本文提出了一种新型深度多模态分割-预测幸存模型，該模型采用分割-预测学习 策略和数据驱动的方法，能够从 PET/CT 图像中进行肿瘤分割和幸存预测，并能将传统放射学特征作为一种增强，能够更好地适应最佳训练模型来预测平台上不同的治疗的患者的存活和处理等方面的差异。

May, 2023

本研究综述了近年来深度学习在生存分析中的应用，包括针对高维omics数据和非结构化数据等的学习，旨在对从业者提供有用的综述和帮助两个领域的研究者确定未来的方向。

May, 2023

通过结合CT成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

Jul, 2023

利用深度学习和综合多模态特征集成方法，该研究提出了一种能够准确进行生存风险分层和乳腺癌患者个性化治疗决策的方法，并应用于ER+乳腺癌病人，取得了优于现有方法的预测性能，同时解决了处理不平衡数据的重要问题。

Feb, 2024

本研究介绍了一种创新方法，利用先进的图像分析技术提高胃癌和结肠腺癌患者的生存预测模型；通过提取全切片图像的细致特征并构建基于患者的图，利用4层图卷积神经网络进行全面分析和预测，结果表明该方法高度准确地预测患者的生存结果，对医学和人工智能社区具有重大影响。

Apr, 2024

本研究针对食管癌患者术后高复发率和低生存率的问题，探索了相关预后因素的识别和预测方法。采用了Cox比例风险模型和两种基于深度神经网络的模型（DeepSurv和DeepHit），结果显示DeepSurv在疾病无复发生存和总生存预测中略优于CoxPH模型，具有较高的预测准确性，潜在改善临床决策并提升患者预后。

Aug, 2024

本研究针对目前乳腺癌患者复发风险分层工具的局限性，提出了一种基于深度学习的计算病理学方法Deep-BCR-Auto，从常规的H

Sep, 2024