基于放射组学的多模态自注意力网络用于预测乳腺 MRI 的病理完全缓解
使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。
Jun, 2022
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
通过序列乳腺摄影及深度学习方法，RADIFUSION 可以对乳腺癌患者的筛查进行风险评估，通过多样的深度学习机制和双侧不对称微调等方法来提高模型精度，并在 Cohort of Screen-Aged Women (CSAW) 数据集上显著提高了 1 年内、2 年内和 > 2 年的病人所受风险的区分度，是一种因素多样的乳腺癌风险评估工具。
Apr, 2023
该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。
Apr, 2024
本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson（SBR）分级的计算机诊断模型，结果显示与常规成像方法相比，该方法更加精准，减少了病人的痛苦和费用成本。
Apr, 2023
本研究提出一种多模态神经架构搜索（MM-NAS）方法，用于自动得出较优的多模态图像特征，以生成 radiomics 并避免依赖手动过程。在公共 PET-CT 数据集中验证结果表明，相较于最先进的 radiomics 方法，我们的多模态神经架构搜索方法在软组织肉瘤中的预测可靠度更高。
Jul, 2020
通过使用 VAE 提取 DLR 特征并最小化其与 HCR 特征之间的互信息，我们解决了学习与传统手工特征不冗余的深度学习放射组学 (DLR) 的问题，这些特征可与手工特征相结合并通过分类器预测胰腺癌的早期标志物，并验证了其在大型独立测试集上的有效性，结果表明非冗余的 DLR 和 HCR 特征的结合增加了曲线下面积 (AUC) 相比于不考虑冗余或仅依赖 HCR 特征的基线方法。
Aug, 2023
使用随机森林模型并结合深度辐射学特征（DRFs）和临床变量，我们可以显著地预测胶质瘤患者免疫标记物的状态和总体生存期，并推断这些特征可用于在手术前通过定期获取的成像数据进行脑肿瘤患者的预测。
Jun, 2022