使用深度学习架构 CDRP 并结合高通量转录组数据进行诊断和预测，优于临床算法对于神经母细胞瘤的预后，为正确的肿瘤治疗策略提供了重要的分析依据。

Nov, 2017

本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

Aug, 2022

通过多种机器学习算法预测 MYCN 基因扩增的存在或缺失，结果显示 CNN 方法优于放射学方法，无需手动分割肿瘤，只需要通过儿科放射科医师给定的中心点坐标和肿瘤切片数进行诊断。

May, 2022

儿童中枢神经系统肿瘤是导致儿童癌症相关死亡的最常见原因之一，高级别胶质瘤的五年存活率不到 20%，由于它们的罕见性，这些实体的诊断经常延迟，治疗主要基于历史性治疗概念，临床试验需要多机构合作。本研究介绍了 CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 挑战赛，专注于儿童脑肿瘤，数据来自多个国际联盟，致力于儿童神经肿瘤学和临床试验。人工智能 / 图像科学家与临床医生一同努力，以加快自动化分割技术的发展，这将有助于临床试验，并最终改善儿童脑肿瘤患者的治疗。

Apr, 2024

研究使用颅内膜瘤的 MR 数据，提出了一种新的基于金字塔梯度的类激活图方法（PG-CAM）来检测肿瘤，该方法使用密集连接的编码器 - 解码器网络（DC-FPN）作为骨干结构，并提取捕获肿瘤层次特征的多尺度 Grad-CAM。在验证集上，PG-CAM 提供了比 Grad-CAM 高 23％的定位精度。

May, 2018

CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 2023 challenge is the first BraTS challenge focused on pediatric brain tumors with data acquired across multiple international consortia dedicated to pediatric neuro-oncology and clinical trials, aiming to develop volumentric segmentation algorithms for high-grade pediatric glioma utilizing standardized quantitative performance evaluation metrics and multi-parametric structural MRI (mpMRI) training data.

May, 2023

该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。

Oct, 2023

本文提出了一种使用图卷积网络（GCN）进行组织微阵列（TMA）级别标注的弱监督方法，作为格里森分数的客观评级替代方案，并通过对细胞形态学特征的自监督学习，实现了对组织生成、肿瘤细胞群落结构的更好建模。五倍交叉验证结果显示，该方法可以在 TMA 级别标注下达到 0.9659±0.0096 的 AUC 值，具有显著性能提升。

Oct, 2019

开发了一种 1D 深度学习工具用于乳腺癌分型和生化贡献的评估，该模型基于高光谱图像和 CaRNet-V1，对乳腺癌、邻近组织以及分子亚型的分类具有高准确性，并能够评估对分类的生化影响，有潜力应用于乳腺癌活检的评估以及其他相关研究如治疗效果评估和新诊断治疗方法的开发。

Oct, 2023

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023