本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

May, 2023

多模态人工智能系统能够通过解释各种类型的医疗数据来增强临床决策，本研究引入了一种利用大型语言模型作为中央推理引擎的多模态医疗人工智能的替代方法，通过验证该系统在临床肿瘤学场景中的表现，证实了语言模型能够作为专科、以患者为中心的临床助手的有效性。

Apr, 2024

综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

Jan, 2024

通过对多组学数据的分析，该研究利用 MoCLIM 框架，独立提取来自不同组学模式的信息特征，从而改善癌症亚型分类结果，并基于对不同组学模态的对比学习实现了癌症亚型的低维空间聚类。实验证据表明，该方法在少量高维癌症数据实例中显著提高了数据拟合和亚型分类性能，并在最终组件中结合了各种医学评估，从而提供了高可解释性的医学分析。

Aug, 2023

综述了近 300 篇有关精准肿瘤学中多模态数据融合技术的前沿研究，总结了早期评估、诊断、预后和生物标志物发现等主要临床应用的重大成果，并深入分析了未来研究领域中的关键挑战和必要路径。

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

本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

May, 2022

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

利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

Sep, 2023

本文提出了系统的集成专家人员的知识和 AI 推荐的方法，使用高斯过程模型和深度神经网络来量化医师和 AI 的推荐给出的治疗结果的不确定性，并将其用作指导临床医师和提高 AI 模型性能的准则，在一个综合数据集上演示了该方法

Feb, 2022