利用深度学习模型-AnatomyNet可以自动分割头颈部CT图像中的OARs，该模型的3个核心特点包括全容积编码方式、编码层中的3D squeeze-and-excitation剩余块、以及基于Dice分数和focal loss的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice相似系数增加了3.3%），同时可在0.12秒内处理完整个头颈部CT图像，并且无需或很少需要前/后处理步骤。

Aug, 2018

采用深度学习方法，训练了一种3D U-Net架构的自动分割算法，成功实现了21个头颈部放射敏感器官的自动分割，同时引入了表面Dice相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

本文介绍了一种基于深度学习的自动轮廓绘制方法，用于对人体进行放射治疗的规划。我们通过对 100 位 TMLI 患者的数据集进行模型训练并对结果进行评估，得到了非常有前途的结果，并有望帮助辐射肿瘤科医生更加高效地治疗更多的患者。

Apr, 2023

本研究中，我们评估了SAM模型在临床放射治疗中的表现。SAM在前列腺和肺区域的自动分割表现较好，而在胃肠和头颈区域的表现相对较差。然而，这些结果表明SAM对于使用单个训练模型完成四个区域的器官边界识别具有鲁棒的泛化能力。

Jun, 2023

在放射治疗中，靶体积轮廓的划定被认为比正常器官分割任务更具挑战性，因为它需要利用图像和基于文本的临床信息。受到大型语言模型（LLMs）的最新进展的启发，可以促进文本信息和图像的融合，我们提出了一种新颖的LLM驱动的多模态人工智能，应用于放射治疗中具有挑战性的靶体积轮廓任务，并在乳腺癌放疗靶体积轮廓的背景下进行验证。通过外部验证和数据不足环境的使用，这对于实际应用非常有益，我们证明了所提出的模型相比传统的仅视觉AI模型具有明显改进的性能，特别是在具有鲁棒泛化性能和数据效率的方面。据我们所知，这是第一个将临床文本信息整合到放射肿瘤学的靶体积划定中的LLM驱动多模态AI模型。

Nov, 2023

近期人工智能在医疗领域有了显著进展，本研究提出RO-LLaMA，一个通用的大型语言模型，特为放射肿瘤学领域量身定制，能够在临床报告总结、放疗方案建议等任务中表现出卓越的性能，并且通过CEFTune技术进一步提高了模型的鲁棒性，同时保持了处理干净输入的能力，还将此概念创造性地转化为LLM驱动的分割框架CESEG。实验结果表明，RO-LLaMA在多中心队列数据集上展现了出色的性能和泛化能力。

Nov, 2023

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了2D和3D U-Net模型，对PTV进行分割，实现了显著的改善。

Feb, 2024

通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为DoseGNN的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的DL模型相比，LLM增强的DoseGNN模型在预测上取得了Swim U-Net Transformer、3D U-Net CNN和普通MLP的平方误差的80％、76％和41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

通过结合放射学特征与基于卷积神经网络的特征，本文提出了一种名为Rad4XCNN的新方法来提高医学图像分类的预测能力，同时保持解释性，强调了在临床实践中将解释性整合到人工智能模型中的重要性。

Apr, 2024

通过对CXR图像的对话分析，我们在卫生保健领域中提出了D-Rax，它是一种领域特定的、会话式的、放射学辅助工具，可以为放射科报告提供全面的医学成像见解，帮助准确诊断，通过结合最先进的诊断模型和VLMs的能力，D-Rax赋予临床医生使用自然语言与医学图像交互的能力，有可能简化他们的决策过程，提高诊断准确性，并节省时间。

Jul, 2024