评估了深度学习方法在预测卵巢癌治疗效果方面的效力，发现使用预训练的图像金字塔转换模型提取区域级特征，再用基于注意力的多实例学习模型进行整合和分类，能够部分预测抗血管生成药物 bevacizumab 在卵巢癌患者中的治疗效果，但受数据集限制和异质性的影响，准确性还需要更大、更高质量的数据集进一步验证。

Oct, 2023

通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

Apr, 2024

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

使用 Langchain 提示工程流程，Fine-tune 基于临床数据和临床指南文本语料库的先进 OpenAI 模型，实现了对乳腺癌患者的辅助放疗和化疗的高准确率（0.85+）分类。通过从人类肿瘤学家的观察数据建立信心区间，估计模型必须在治疗预测中超过原始肿瘤学家的比例为 8.2％至 13.3％。尽管肿瘤治疗决策结果的不确定性，但未来研究，可能是临床试验，需要确定这一阈值是否被模型满足。然而，因为 85％的美国癌症患者在本地社区设施接受治疗，这些模型在扩大获取质量护理的同时，最小程度上接近人类肿瘤学家将发挥重要作用。

Jun, 2024

癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

Feb, 2024

该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。

Aug, 2023

本文提出了一种噪声过滤算法，以在更好的质量的癌细胞系上训练机器学习算法，从而更有效地预测药物反应，实现癌症精准治疗。实验结果显示，该方法稳定且具有最高的 AUC。

Dec, 2016

通过比对 NLP 模型与 CNN 模型预测九种大肠癌生物标志物的结果，本研究表明 NLP 模型在数字病理领域的优越性，并证明相比大数据集，较小数据集下 NLP 模型得到的预测结果不比大数据集下的数字病理模型差。因此，NLP 模型已经可以成为数字病理领域的新基础模型。

Feb, 2023

利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。

Nov, 2022

通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

Apr, 2019