利用人工智能模型预测癌症患者中的不良药物反应，显示高特异性和敏感性，但需要标准化和多中心研究来提高证据质量。

Apr, 2024

这篇论文使用自然语言处理技术从临床笔记中自动提取配合 CTCAE 指南的食管炎毒性严重程度，取得了让人满意的结果，为在扩展领域下基于 NLP 自动化详细毒性监测提供了切实可行的解决方案。

Mar, 2023

本文介绍一种基于自然语言处理技术的解决方案，能够在社交媒体帖子、顾客支持电话记录或医疗保健提供商与制药销售代表会议的多种非结构化对话中检测药品不良反应，并提供了三种方法来对其进行提取，分别是新的命名实体识别模型、两个新的关系抽取模型和新的文本分类模型。该解决方案已实现为一个统一的 NLP 管道，并在 Apache Spark 顶部构建了一个生产级库，使其能够在通用集群上处理数百万批处理或流记录。

Jan, 2022

本文提出了一种基于人们评论的文本生成词云的深度学习模型，以探测潜在药物安全信号，并在法国的 Levothyrox 案例上进行了评估。结果表明，提出的指标可以用于有效检测新的安全信号，同时，每月生成的文本的词云训练的 WC-CNN 模型的准确率为 75%。

Feb, 2022

本研究使用自然语言处理技术，比较了深度学习模型和手动工程化语言特征模型，在使用自由文本格式预测急性护理使用风险上的表现，结果表明，使用结构化健康数据模型能够最小限度地胜过 NLP 模型。

Sep, 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

本文提出了一种新的自动因果推断方法（AutoCI），该方法基于不变的因果预测（ICP）框架，可以对临床试验数据进行因果重新解释，并在两个真实的子宫内膜癌临床试验中有效地确定因果变量，证实 AutoCI 在临床分析中的鲁棒性和可行性。

Jan, 2022

通过使用电子病历和深度学习技术提供早期诊断，本研究为发现未被诊断的病例提供了自动化的筛查方式，同时解决了目前诊断方式中的缺乏有效工具的问题。

Jan, 2022

本文提出了一个可解释人工智能早期预警评分系统（xAI-EWS），可帮助早期检测急性危重病。该系统通过相关电子健康记录数据说明预测结果，提高临床应用价值。

Dec, 2019

采用人工智能技术实现语义分割，提取出局部空间生物标志物，通过分析组织学特征的分布，实现对 EoE 患者诊断和严重程度分类的决策支持系统。

May, 2022