本研究利用合成肝癌在CT扫描中表现真实准确，以此训练AI模型实现肝癌分割，并且能够自动生成小型(甚至微小的)合成肝癌的多个样本，为提高肝癌早期检测成功率和评估AI鲁棒性提供新思路。

Mar, 2023

本文旨在回顾和概述当前人工智能在癌症组织成像方面所做的工作，提出了五个主要的任务模型，并讨论了这些方法面临的挑战和用于癌症预防和治疗的适应性。

Jun, 2023

通过合成胰腺肿瘤的方法，可以提高人工智能在胰腺癌早期检测中的性能，从而改善患者的预后。

Aug, 2023

利用合成数据作为验证集，从而减少过拟合，简化AI模型选择，本研究展示了合成数据在早期肿瘤检测方面的有效性，以及在不同领域中用于增强AI的鲁棒性的潜力。

Oct, 2023

人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性/特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

Dec, 2023

利用计算机断层扫描（CT）检查中早期肿瘤的相似成像特征，本研究使用生成式人工智能模型制造现实感肿瘤，可以泛化到多个器官，并且所得到的模型可以在不同机构的CT图像中检测和分割真实肿瘤。

Feb, 2024

通过细胞自动机模拟肿瘤的发展过程，我们建立了一套通用规则，将肿瘤状态整合到原始计算机断层扫描图像中，生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估，证明了合成肿瘤的真实性和早期癌症检测的潜力。

Mar, 2024

AI驱动的肿瘤分析通过引入节省肿瘤收集和注释成本的高效解决方案（FreeTumor）取得了显著进展，通过对大规模数据进行综合训练和扩展数据集，在肿瘤分割方面展现出了优越性能。

Jun, 2024

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

通过综述合成图像数据在人工智能辅助放射学领域的关键技术、主要应用领域以及质量控制评估问题，我们发现合成数据在解决现有数据不足问题上具有巨大潜力，但还需要进一步的研究工作才能实现其全部潜能。

May, 2024