使用随机森林和重采样技术使用1615个影像学特征对头颈癌患者进行放疗风险估计，证明放射学对特定肿瘤结局的风险评估具有重要的临床作用。

Mar, 2017

该研究提出了一种多模态学习框架，用于从医学图像中提取有关Isocitrate Dehydrogenase(IDH) 基因突变的特征，以预测胶质瘤的基因型。实验结果表明，该模型优于基线深度学习模型，提供了一种预测胶质瘤基因型的新方法。

Mar, 2022

提出了一种基于MRF的计算模型，通过多分辨率放射性医学（MRF）特征提取和显著性检验筛选（P < 0.05）分类预测GBM患者的放射性坏死（RN）和复发性脑肿瘤（rBT），并探讨了其作为非创伤性生物标志物识别高风险复发或放射坏死患者的可行性。

Jun, 2023

通过计算机和统计建模方法，结合常规放射图像与多分辨率分形纹理特征以及多种分子特征(MGMT，IDH突变)作为标识和预测REP病例及预后的工具，对70名患者进行了放射治疗T1后对比序列MRI的分析，实验结果表明多分辨率分形纹理特征相比常规放射学特征在REP和预后结果方面表现更佳。

Jun, 2023

使用MRI和弱监督序数支持向量机(WSO-SVM)实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

Dec, 2023

通过对多参数mpMRI扫描图片（T1w，T1wCE，T2w和FLAIR）进行二分类，RSNA-MICCAI脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的MGMT生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是DICOM格式或Png格式。我们尝试了不同的架构，包括三维版本的Vision Transformer（ViT3D）、ResNet50、Xception和EfficientNet-B3，以研究这个问题。我们使用AUC作为主要评估指标，在测试集上，ViT3D模型和Xception模型分别达到了0.6015和0.61745的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

Jan, 2024

近年来，诊断胶质瘤变得越来越复杂。通过现代机器学习技术对胶质瘤组织进行组织学评估为支持诊断和预测结果提供了新机会。本综述通过对70项公开的基于机器学习的染色人类胶质瘤组织切片分析研究进行概述，包括亚型划分（16/70）、分级（23/70）、分子标记预测（13/70）和生存预测（27/70）。当前研究的重点是对成人型弥漫性胶质瘤的苏木精和伊红染色组织切片的评估。大多数研究（49/70）基于公开数据集，包括癌症基因组图谱（TCGA）的胶质母细胞瘤和低级别胶质瘤数据集，只有少数的研究孤立地使用其他数据集（10/70）或者与TCGA数据集同时使用（11/70）。目前的方法主要依赖于卷积神经网络（53/70）对20倍放大率的组织进行分析（30/70）。一个新的研究领域是整合临床数据、组学数据或磁共振成像（27/70）。到目前为止，基于机器学习的方法已取得了有希望的结果，但尚未在真实临床环境中使用。未来的工作应集中在使用大型、多中心、具有高质量和最新的临床和分子病理学注释的独立验证方法上，以证明其日常应用性。

Jan, 2024

利用动态对比增强磁共振成像(DCE MRI)和表观弥散系数(ADC)图，本研究提出了一种模型来预测乳腺癌患者的病理完全缓解(pCR)，利用深度学习和放射组学特征提取，相较于其他基准方法，我们的模型在预测pCR方面表现出优越性能。

Jun, 2024

提出了一种方法和工具来识别和解释给定临床问题的最小一组预测性放射组学特征，并发展了能估计特定医学结果的最佳放射组学复杂性水平的软件。

Jul, 2024

使用放射组学特征和机器学习预测脑转移瘤的原发肿瘤部位，并展示了放射组学和机器学习在提高诊断准确性和个体化治疗规划方面的潜力。

Jul, 2024