开发一种新的图像标记物以预测卵巢癌症患者新辅助化疗（NACT）的反应
该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。
Apr, 2024
优化后的 CDI$^s$ 与扩散加权成像（DWI）融合的多参数 MRI 技术，可对乳腺癌病理完全缓解进行准确预测，交叉验证的准确性达到 93.28%，比之前报道的结果高出 5.5%。
May, 2024
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
通过放疗治疗计划 CT 图像提取放射组学特征和临床特征的结合模型，相对于仅使用临床特征的模型，在预测肛门鳞状细胞癌患者接受放化疗后的无复发生存期方面具有更好的预测表现。
Sep, 2023
发展了一种多模态方法，结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险，并根据预测分数将患者分为低风险和高风险两组，提供了一种个性化治疗乳腺癌患者的替代方法，可能改善其疗效。
Jan, 2024
通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。
Jan, 2024
使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。
Jun, 2022
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
我们开发了一个深度学习分类器，用于从内窥镜图像中识别在全新辅助治疗过程中的直肠癌反应（肿瘤与非肿瘤）。我们通过使用基于最优质量运输的图像协调方法来解决内窥镜图像的多样性，并通过评估多种训练规范化方案来研究 ResNet-50 网络在分布内和接近分布外的泛化能力。我们的结果表明，现成的深度学习分类器能够在不同阶段的疗法监测中从内窥镜图像中检测直肠癌。
May, 2024
提出了一种不完整的多模态数据集成框架用于胃癌研究，以满足临床实践中存在的多模态数据缺失挑战，实现精确的治疗反应预测和生存分析。通过在各模态中使用单模态注意力层以捕捉内部模态信息，并通过交叉模态交互层来探索潜在的模态之间相互作用和捕捉跨模态的互补信息，从而弥补遗漏模态的信息损失。在胃癌研究中收集了三个多模态数据集，并取得了显著的性能，分别在反应预测、生存分析上达到了 80.2% 的 AUC、71.4% 的 C-index 和 66.1% 的 C-index，明显超过其他比较方法。
Apr, 2024