提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standard” 信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

Aug, 2023

使用 CT 图像提出了一种利用双积分增强的零化神经网络优化 ALSOA 的肺癌分类方法 LCC-DIEZNN-ALSO-CTI，通过对 CT 图像进行预处理、提取统计特征和纹理特征，并在 MATLAB 上实施，分析了该方法与现有方法的性能对比。

Dec, 2023

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

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

研究利用预训练的 Vision Transformer 模型对肺癌病理组织切片（来自数据集 LC25000）进行多标签肺癌分类，比较了零样本和少样本 ViT 的性能表现，结果表明预训练的 ViT 模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在 Fig-Shot 设置下获得了最佳结果（在 validation 集和 test 集上均为 100%）

May, 2022

通过机器学习技术应用于低剂量计算机断层扫描辐射学和代谢组学，本研究开发了一种方法来识别肺实质内的潜在恶性肿瘤病变，以支持肺癌筛查。

Sep, 2023

我们提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。其中，基于多头注意力机制的 DMACL 模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。通过计算特征空间和样本空间中样本之间的相似性，该无监督对比学习方法将亚型聚类。相较于其他 11 个深度学习模型，在单细胞多组学数据集上，DMACL 模型获得了 0.002 的 C-index、0.801 的轮廓系数和 0.38 的戴维森堡丁指数。在癌症多组学数据集上，DMACL 模型获得了 0.016 的 C-index、0.688 的轮廓系数和 0.46 的戴维森堡丁指数，为每种癌症类型提供了最可靠的癌症亚型聚类结果。最后，我们在 AMUCL 框架中使用 DMACL 模型揭示了 AML 的六个癌症亚型，并通过 GO 功能富集分析、亚型特定的生物学功能和 AML 的 GSEA 进一步提高了基于可推广的 AMUCL 框架的癌症亚型分析的解释能力。

Jul, 2023

应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

Nov, 2023

肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用 Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了 DLCSD-mD 和 LUNA16-mD 模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。

May, 2024

通过将深度学习和放射医学方法相结合，该研究提出了一种新的放射医学信息驱动的深度学习方法，RIDl，用于改进心房颤动亚型的分类，从而解决了现有方法的局限性，并在亚型分类任务中获得了 86.9％的 AUC。

Aug, 2023