本研究开发了一种基于深度学习的自动化系统，利用18F-FDG PET对乳腺肿瘤进行分割和生物标志物提取，以评估新辅助化疗后的肿瘤演变，结果与手动分割高度相关。

本研究探讨大型语言模型（LLMs）在复杂医疗环境中的应用，特别是在乳腺肿瘤护理方面。评估结果显示，AMIE系统在处理复杂病例时优于内科住院医师和肿瘤学研究生，但仍需进一步研究以提升其性能和应用潜力。

该研究提出了一种名为PBNet的方法，用于乳腺肿瘤的超声图像分割。PBNet由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，通过融合多级语义信息和利用边界引导特征融合，提高了对非增强肿瘤的识别能力。实验证明PBNet在肿瘤分割方面优于现有方法，提高了Dice分数、Jaccard系数、特异性和HD95分数。

该研究提出了一种名为PBNet的方法，用于乳腺肿瘤的超声图像分割。PBNet由多级全局感知模块（MGPM）和边界引导模块（BGM）组成。实验证明，PBNet在定性和定量评估方面优于现有方法，提高了Dice分数、Jaccard系数、特异性和HD95分数。割舍实验证明了MGPM对于区分非增强肿瘤以及BGM和BS损失对于优化肿瘤分割轮廓的帮助。

该研究提出了一种多模态乳腺肿瘤诊断模型，融合静态图像和动态视频特征，提高了良/恶性分类的性能，AUC达到90.0%，准确率为81.7%。在放射科医生指导下，验证了动态视频特征聚合后的实验结果。