本文提出了一个名为 Lite-ProSENet 的智能跨模态网络，针对肺癌的生存时间分析任务，利用多模态数据，相较于现有模型达到了最新的最优结果，89.3% 的协调性。

Nov, 2022

通过使用组织病理学图像检测和结合多种因素（ER、PR、HER2、ALN、HG、MS）进行分类，本研究展示了在公开数据集上，利用恶性区域学习模块结合空间和频域信息，可显著提高乳腺癌的多因素和单因素诊断性能。

Jun, 2024

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

通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

Feb, 2024

肺癌是 2020 年全球癌症相关死亡的首要原因，其中不可小觑的病例为非小细胞肺癌，在所有疾病阶段的综合存活率约为 25％，但预后依疾病阶段和治疗干预而异。最近，人工智能的进展在肺癌预后方面发挥了革命性作用，包括机器学习和深度学习算法在内的 AI 驱动方法通过高效分析复杂的多组学数据和整合多样的临床变量，提高了生存预测准确性。通过利用 AI 技术，临床医生可以获得全面的预后洞察，量身定制个性化治疗策略，最终提高非小细胞肺癌患者的预后。总而言之，AI 驱动的数据处理方法能够大大增进对此类系统的理解，提供更好的指导方向。

Feb, 2024

乳腺癌在女性死亡中的地位越来越重要，取代了心脏病的地位。除了遗传因素，在乳腺癌发生和发展中，新研究表明环境因素也起着重要作用。这项研究全面回顾了影响乳腺癌风险、发病率和结果的各种环境因素的文献。研究从生活方式决策入手，如饮食习惯、运动习惯和饮酒等对激素失衡和炎症的影响，这两个因素是乳腺癌发展的重要驱动力。此外，研究还探讨了农药、内分泌干扰物和工业排放等环境污染物在乳腺癌发展中的作用，这些污染物与激素信号和 DNA 损伤的干扰有关。还利用机器学习算法进行预测，包括逻辑回归、随机森林、KNN 算法、支持向量机和额外树分类器等。使用混淆矩阵相关系数、F1 分数、精确度、召回率和 ROC 曲线等指标来评估模型。所有分类器中最准确的是随机森林，准确率为 0.91%，逻辑回归的 ROC 曲线为 0.901%。这项研究中利用的多种机器学习算法的准确性良好，这是重要的，表明这些技术可以作为乳腺癌生存分析中的替代预测技术，尤其在亚洲地区。

Sep, 2023

本文提出了一种使用卷积神经网络进行乳腺癌转移检测和 pN 分期分类的稳健方法，用于处理多个吉吉像素病理学图像，实现了 0.9203 的加权 Kappa 得分，超过了 Camelyon17 挑战的前几名方法。

May, 2018

应对非小细胞肺癌 (NSCLC) 患者生存期预测的两个挑战：有效利用来自每个患者的信息，并处理不完整的数据，已提出一种新颖的人工智能模型，利用转换器架构根据仅有的可用特征进行生存分析，无需采用任何插补策略，取得了优于其他最先进方法的良好结果。

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

本研究使用数字病理（乳腺活检）图像的 Nightingale 开放科学数据集，利用预先训练的计算机视觉模型进行乳腺癌阶段预测，最终我们发现集成模型的预测性能更好，具有胜出的优势；此外，我们提供结果分析并探索更好的解释和泛化途径。

Mar, 2023