本研究开发了一种自动化的三维适形放射治疗工作流程，结合了深度学习的预测和前向规划算法以用于直肠癌治疗，从而生成具有临床可接受性的计划，研究证明其可以成功地自动化生成放疗计划。

Apr, 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

我们设计了一种基于人工智能的噪声探测剂量方法用于前列腺和肺癌患者的质子治疗剂量预测，该方法在物理学方面进行了改进，提高了处理异常临床案例的预测通用性。

Dec, 2023

解释性对于增强人工智能在医学领域的可信度至关重要，然而，关于可解释模型对临床决策实际效益的讨论仍存在多个问题，包括缺乏评估框架、医生中心评估的限制以及基于Transformer模型的内置注意力机制作为可解释性技术的效用不明确。通过使用临床数据和磁共振成像来预测直肠癌淋巴结转移，我们使用多模态Transformer模型探索了通过最先进的技术可视化的注意力图能够与医生理解达成一致的程度，并通过预测概率方差和一致性量化评估模型的不确定性。研究发现，并未证实注意力图在增强模型可靠性方面的预期效益，表面的解释可能会误导医生依赖不确定的预测，因此应不过分高估当前解释性中的注意力机制，鉴定真正对临床决策有益的解释性机制仍然至关重要。

Dec, 2023

通过MR导向的肺部体固态放射治疗，我们的研究建立了利用δ放射组学分析来捕捉肺部体固态放射治疗的短期放射学表现的可行性和稳定性。

Feb, 2024

深度学习在放疗自动化方面发挥了作用，但现有方法无法得出可直接输入治疗计划系统（TPS）的理想放疗参数，阻碍了放疗全面自动化。本文提出了一个新的两阶段框架，用于直接回归放疗参数，包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。

Feb, 2024

通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

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

本研究提出了一种新颖的两阶段潜变形自适应模型（LDFormer），用于具有不同数量病灶的肺癌SABR计划的剂量预测。LDFormer在病灶及其周围的剂量一致性方面优于现有技术，并且在考虑重叠病灶时性能差距扩大。LDFormer可以在30秒内在普通硬件上生成三维剂量分布的预测，有潜力辅助医生进行临床决策，降低资源成本和加速治疗规划。

Jul, 2024

本文解决了现有医疗人工智能模型在不同地区临床专家的多样性和经验不足的问题。提出的多中心专家混合（MoME）方法通过整合不同医疗中心的专业知识，提高了AI模型的适应性和泛化能力。研究表明，在前列腺癌放射治疗靶区描绘中，MoME方法的表现优于基线方法，具有广泛的临床应用潜力。

Sep, 2024