该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

Oct, 2016

应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

Dec, 2016

本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

Mar, 2019

本研究提出一种将肺结节候选筛选和假阳性降低整合成一个模型的端到端框架，与现有的两步法相比，该框架不仅提高了性能，还减少了复杂性，降低了推理时间。

Mar, 2019

本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在196个病例中测试，表明该方法比标准CNN或传统方法更准确，且与标准病理学家的准确性相当。

Jan, 2020

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

提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取“gold standard”信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

Aug, 2023

该研究提出了一种多头注意力特征融合（MHA-FF）模型，旨在区分早期浸润性肺腺癌（Pre-IAs）和浸润性肺腺癌（IAs）并区分不同的IAs亚型。通过提取计算机断层扫描图像的辐射组学和深度特征，并通过自适应融合模块汇总这些特征，我们成功地预测了每个结节的亚型，使用多中心队列的真实世界数据验证了这种方法的实用性。

Aug, 2023

本研究解决了肺癌早期诊断和生存预测的难题，提出了一种基于卷积神经网络的方法来建模肺部形态与肺癌风险的非线性关系。研究结果显示，结合小批量损失与二元交叉熵，可以有效提升肺癌发生和死亡风险的预测能力，从而为肺癌的诊断与治疗提供了新的可能性。

Aug, 2024

本研究解决了非小细胞肺癌（NSCLC）的早期检测和亚型分类的复杂问题，通过融合CT和PET扫描图像、临床健康记录及基因组数据，提出了一种创新的多模态数据整合方法。研究结果表明，该新方法在NSCLC检测和分类的精度上取得了显著提升，准确率达94.04%，具有潜在的转变诊断和治疗规划的影响。

Sep, 2024