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

通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

Apr, 2019

使用卷积神经网络分析低剂量CT肺癌筛查图像以减少错误结果，并在LUNA16挑战数据集上表现出82.1%的敏感性。

Jul, 2021

本文提出了一个名为Lite-ProSENet的智能跨模态网络，针对肺癌的生存时间分析任务，利用多模态数据，相较于现有模型达到了最新的最优结果，89.3%的协调性。

Nov, 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

本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

Apr, 2023

应对非小细胞肺癌(NSCLC)患者生存期预测的两个挑战：有效利用来自每个患者的信息，并处理不完整的数据，已提出一种新颖的人工智能模型，利用转换器架构根据仅有的可用特征进行生存分析，无需采用任何插补策略，取得了优于其他最先进方法的良好结果。

Jul, 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

利用深度学习技术，我们提出了一种新颖的深度学习网络，通过多维和多模态图像（CT和病理图像）精确分类肺癌亚型，以提高临床诊断准确性。通过动态处理配对的CT-病理图像集以及独立的CT图像集，并优化从CT图像中提取与病理相关的特征，我们的模型展示了在肺癌亚型分类中卓越的效果，大幅提高了准确度。

Jul, 2024

本研究解决了现有肺癌生存预测方法在多模态数据整合方面的不足。论文提出了一种新颖的方法，通过整合CT、PET扫描和基因组数据，构建一个鲁棒的生存结果预测模型，并利用跨患者模块增强相似患者的嵌入对齐。实验结果表明，该方法在生存预测方面超越了现有最先进的技术，具有重要的临床应用价值。

Sep, 2024