本研究目的在于提高计算病理学领域研究的报告质量，通过分析EQUATOR Network库中的70个有用资源进行总结，找到对人工智能、医疗研究、发现、临床试验、实现和指南等领域相关的实用资源，借助这些指南来确保关键信息的披露，减少研究浪费；同时强调了记录指南的有效性，鼓励研究人员和期刊都采用它们。

Jan, 2023

该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

Mar, 2023

本文提出了一个半自动化工具，用于解决方法审查和选择的问题，并通过关键词选择方案查询Scopus API进行文献选择和评分，利用OpenAI API提取论文中的解决方法，并进行敏感性分析和后续分析，以揭示趋势、相关文献和方法，并通过与手动判断结果比对，在肿瘤学案例研究和几个应用案例中展示了该工具的有希望的结果。

Jul, 2023

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

甲状腺癌研究中应用的人工智能方法和机器学习应用的全面综述及分类，为该领域的进一步研究和管理提供有价值的见解。

Jan, 2024

利用人工智能模型预测癌症患者中的不良药物反应，显示高特异性和敏感性，但需要标准化和多中心研究来提高证据质量。

Apr, 2024

乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与SHAP、LIME、Grad-CAM等XAI方法，分析乳腺癌数据集及其AI处理方式，强调XAI可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估XAI有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显XAI在复杂AI模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

Jun, 2024

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

该研究针对集中式机器学习在肿瘤学中存在的隐私问题和数据多样性利用不足的现状，系统评估了联邦学习在乳腺癌、肺癌和前列腺癌中的应用。研究发现，联邦学习在25项研究中有15项超越了集中式机器学习，显示其在临床设置中增强机器学习泛化性和保护数据隐私方面的有效性，对癌症研究具有重要的推动潜力。

Aug, 2024

本研究针对当前癌症幸存者护理中个性化服务的缺失及文化语言适应不足的问题，提出了人工智能作为解决方案的独特视角。通过与六位癌症幸存者的访谈，发现AI可以实现实时、文化相符、语言适宜的互动，然而也需关注数据隐私和人际接触的缺失。研究最后呼吁在使用AI个性化解决方案的同时，不应忽视医疗结构的变革。

Aug, 2024