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

本研究评估了商业可用的可解释的 AI 算法在增强临床医生识别胸部 X 光片上的肺癌的能力方面的影响。研究结果表明，使用 AI 算法可以提高肺癌的检测性能，减少漏诊，促进健康公平。

Aug, 2022

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

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

通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或 UNet 模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问 lung-cancer.onrender.com/ 获取交互式仪表盘。

Sep, 2023

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

本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

Apr, 2023

本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

Apr, 2023

本文旨在回顾和概述当前人工智能在癌症组织成像方面所做的工作，提出了五个主要的任务模型，并讨论了这些方法面临的挑战和用于癌症预防和治疗的适应性。

Jun, 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