癌症治疗的个性化递送可能通过根据每个病人预计的反应个性化的递送来取得进展，而目前面临的基本障碍是缺乏严谨但实用的肿瘤发生、发展、扩散和治疗响应的数学理论。在这篇综述中，我们讨论了肿瘤生长和治疗建模的不同方法，包括基于 “大数据” 和人工智能的机制模型和数据驱动模型。然后我们提出了数学模型的实用性并讨论了单一机制模型和数据驱动模型的局限性。我们进一步讨论了机制模型在不仅预测而且在个体化基础上优化治疗反应方面的潜力。然后我们讨论了整合机制模型和数据驱动模型的当前努力和未来可能性。最后，我们提出了五个必须解决的基本问题，以完全实现以计算模型为驱动的癌症患者个性化护理。

Aug, 2023

机器学习技术在预测非肌层侵袭性膀胱癌复发方面具有潜力，并通过利用分子和临床数据提高复发预测和个性化患者管理的性能。该综述总结了使用多种机器学习算法和标记的非肌层侵袭性膀胱癌复发预测，并强调了人工智能模型的泛化能力和解释能力的挑战，强调了合作努力和强大数据集的需求。

Mar, 2024

使用深度学习方法结合卷积神经网络、无位置编码的轻量级 transformer 和双重注意力门，实现对膀胱癌的检测和分割，该模型在计算效率和诊断精度之间取得了平衡。

Mar, 2024

免疫治疗在癌症治疗方面展现出了希望。目前的研究结果显示，免疫治疗药物在处理肿瘤方面具有高效性，与传统化疗方法相比，患者的生存率明显提高，并且副作用减少。然而，适用于免疫治疗的患者数量相对较小，这表明对于为什么某些个体对治疗有积极反应而其他人效果有限缺乏全面的了解。为解决这个问题，作者提出了一种创新策略，利用非线性的细胞结构和深度下游分类器，来选择并增强从胸腹部 CT 图像中提取的 2D 特征，从而提高治疗结果的预测能力。所提出的流程能够与先进的嵌入式治疗设备无缝集成。在这个背景下，作者提出了一个针对转移性膀胱上皮癌（mUC）的引人注目案例研究。对所提方法的性能评估强调了其有效性，总体准确率达到了约 93%。

Jul, 2023

本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

May, 2023

研究使用自然语言处理探究社会因素对癌症治疗选择的影响，发现社会工作者的记录在预测靶向治疗中起着重要作用，并发现许多与临床决策 - making 有关的健康社会决定因素可能会对治疗差异造成贡献。

Jun, 2023

通过使用四种提升算法：AdaBoost、XGBoost、CatBoost 和 LightGBM，研究了乳腺癌的预测和诊断，以及针对召回率、ROC-AUC 和混淆矩阵的最有效度量标准。同时使用 Optuna 进行超参数优化，利用 SHAP 方法提高模型的可解释性，旨在帮助鉴定和预测乳腺癌，有效减少误诊率且达到更多的 AUC 值。

Mar, 2024

肺癌治疗中毒性、临床指南以及子群发现算法对于提高存活率和患者生活质量具有重要作用。

Jul, 2023

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

May, 2024