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

本文研究了人工智能系统在手术期间识别腹膜表面转移瘤方面的作用，发现在仿真环境下，深度学习手术辅助系统能够比直接手术更加准确的识别腹膜表面转移瘤，可以在一定程度上降低误识别率并提高手术成功率，但需要在多机构临床环境下进一步研究。

Jun, 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

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

通过使用人工智能的图像分析方法，如放射学，改善了乳腺癌的早期诊断和分类，提高了乳腺癌患者的护理水平。

Jun, 2024

人工智能技术在甲状腺癌的诊断中发挥着重要作用，将大数据分析与机器学习相结合，帮助医生评估甲状腺癌预后和决定患者的恶性风险。本论文总结了大量与人工智能技术在甲状腺癌诊断中相关的文章，通过新的分类方法整理了这些技术，并比较了不同数据集的特征，讨论了这一领域的进展和挑战，并展望了未来的发展方向。

Aug, 2023

本文介绍了人工智能与机器学习在神经信号分析、假肢和治疗神经系统症状等方面的应用，关注最新的假肢脑机接口技术并探讨了技术上的挑战和对算法和集成电路的需求。

Apr, 2022

乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

Jun, 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

该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。

Mar, 2023