本文介绍了LUNA16挑战的设置和结果，通过对不同自动检测算法的表现进行比较，发现使用卷积网络和提供的结节候选集组合可实现超过95%的灵敏度，这突出了将算法组合以提高检测性能的潜力。

Dec, 2016

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

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

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

本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

May, 2023

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

中国肺癌的发病率和致死率居于所有恶性肿瘤之首，早期肺癌的诊断对患者预后的改善具有重要意义。近年来，人工智能技术在肿瘤学领域逐渐得到应用，特别是在肺癌筛查和早期诊断方面发展迅速。然而，目前关于人工智能技术结合SCT扫描进行早期肺癌诊断的研究还很少。本研究旨在应用结合方法于早期肺癌筛查，以找到一种安全高效的筛查模式，并为临床诊断和治疗提供参考。

Jan, 2024

提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

Jun, 2024

本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

Oct, 2024