该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

Oct, 2016

本研究提出一种基于3D CNN的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

Apr, 2017

本文提出使用Deep Convolutional-Generative Adversarial Networks的无监督学习方法来生成肺部结节样本，通过视觉图灵测试验证生成样本的质量，以此来学习最具有鉴别能力的影像特征，从而应用于医学诊断和训练深度网络。

Oct, 2017

本研究证明了使用弱标签可以通过卷积神经网络实现胸部 X 光片中肺部结节的检测，提出了两种分类图像的网络体系结构，使用标注的结节在训练时提供视觉注意机制，以指导模型的本地化性能。

Dec, 2017

肺癌是全球死亡的主要原因，早期筛查对改善生存结果至关重要。本文提出一种模拟放射科医生诊断过程的方法，由上下文解析和原型召回模块组成，通过利用肺结节的内在特征和来自其他结节的外部知识，实现了良好的筛查性能。

Jul, 2023

提出了Unimodal-Regularized Label-noise-tolerant (URL)框架，用于在肺结节恶性分级中处理标签噪声并建模类别之间的排序关系。通过使用受控对比学习和生成假标签的方法来训练模型，并引入了单模态正则化以保持预测中类别的排序关系。实验结果表明，该方法在LIDC-IDRI数据集上的表现优于其他竞争方法。

Aug, 2023

提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

Jun, 2024

本研究针对放射科医学图像分类中的通用化问题，通过视觉提示工程提升视觉语言模型的能力。研究揭示通过直接嵌入视觉标记，如箭头和圆圈，可显著改善肺结节恶性程度分类的各项指标，强调了该方法在医学图像分析中的重要性和潜在影响。

Aug, 2024

本研究针对肺结节的自动检测与分割，提出了一种创新的深度学习方法，以提高早期肺癌诊断的准确性。采用独特的“通道压缩U结构”，优化了特征提取与信息整合，显著提升了对小型和隐性结节的检测能力。结果表明，该方法在提升计算机辅助诊断系统的准确性和可靠性方面具有重要潜力。

Sep, 2024

本研究针对肺结节分割中的形状和大小变化大、与肺组织近距离相邻等挑战，提出了一种新型的深度学习模型，集成了分割与分类过程，利用特征组合块实现信息共享，并结合空间规则化技术优化结节尺寸估计。研究结果表明，该模型在肺结节捕捉上更为精确，具有潜在的临床应用价值。

Oct, 2024