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

这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督CNN方法该方法实现了竞争性的性能表现。

Jul, 2017

使用3D深度神经网络和机器学习算法，检测和分析CT扫描中疑似肺结节病变的信息，用于肺癌自动诊断。

Nov, 2017

该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

Apr, 2018

本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

Mar, 2019

本研究提出一种将肺结节候选筛选和假阳性降低整合成一个模型的端到端框架，与现有的两步法相比，该框架不仅提高了性能，还减少了复杂性，降低了推理时间。

Mar, 2019

通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或UNet模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问lung-cancer.onrender.com/获取交互式仪表盘。

Sep, 2023

我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过对公开可用的Lung Nodule Analysis 2016数据集应用10折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了97.84％的准确度以及96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

Oct, 2023

本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

Oct, 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