CheckMate 017 试验表明，PD-1 抑制剂 Nivolumab 显著提高晚期肺鳞癌患者的生存率，但免疫治疗反应存在较大差异。为了解决这一问题，康奈尔大学与再生元制药合作开发了图编码混合生存模型（GEMS），利用图神经网络分析患者数据，识别出三种不同的生存亚表型，推动肺癌精准医疗的发展。

本研究提出了一种深度多模态学习框架，结合组织病理图像和基因表达数据，以提高乳腺癌亚型分类的准确性，为临床决策提供更可靠的信息。

本研究解决了在无源半监督领域适应（SF-SSDA）中有效融合原始脑电图（EEG）数据与专家知识，以及对齐源领域和目标领域分布的挑战。提出的KDF-MutualSHOT方法通过互学机制和基于一致性的伪标签选择策略，显著提高了癫痫亚型分类的准确性，超越了其他监督和无源领域适应方法。

本研究探讨了弥漫大B细胞淋巴瘤（DLBCL）主要亚型的自动分类，提出的深度学习模型在交叉验证中表现优异，平均曲线下面积达到87.4%。研究发现，ABC与GCB在几何和颜色特征上差异不大，强调了该方法在亚型分类及患者治疗管理中的重要性。

本文提出了一种混合模型，将图卷积神经网络与关系网络结合，以提升乳腺癌亚型分类和患者存活分析的性能。同时，研究探讨了基于低维嵌入空间的知识图谱逻辑查询处理、图神经信息传递方法AWARE及多组学数据的图表示学习，展示了其在癌症分析中的应用潜力。

本文介绍了一种混合模型，将图卷积神经网络与关系网络结合，以提升乳腺癌亚型分类和患者存活分析的性能。同时，研究探讨了基因组数据与表型、环境和行为数据的整合，提出多种深度学习方法和模型，旨在提高癌症预测和分类的准确性，推动临床应用的发展。

通过探索多模态间的相互关联，该研究提出了一种新颖的渐进式 AD 亚型诊断框架，旨在基于早期低成本阶段易于获得的多模态诊断结果，而不是所有阶段的模态。通过设计文本分离网络和多模态特征融合模块，将早期低成本阶段的模态特征与后期高成本阶段的特征对齐，根据临床指南实现亚型诊断，并使用渐进分类器平衡诊断成本和性能。在大型多样化的公共和家庭数据集上评估，实验结果优于当前最先进的方法。

大型预训练变换器在卵巢癌亚型分类中展现出良好潜力。研究表明，深度学习方法能够部分预测抗血管生成药物的治疗效果，但仍需更高质量的数据进行验证。新型多放大率图结构框架GRASP在数字病理学中表现优异，推动了可解释设计的发展。此外，研究提出的多例学习框架能够准确识别癌症亚型，超越传统方法。

本研究提出了多种基于卷积神经网络的肺结节检测和分类方法，显示出在肺癌诊断中的高效性和准确性。包括DeepLung系统和SGHF-Net等，均在多个数据集上取得了优异成绩，推动了医学图像分析的发展。

本文介绍了基于神经网络的医学影像分析方法，重点在肝脏和肾脏癌症的检测与分割。研究表明，改进的模型使肝脏病变分割性能提高1.6%，并减少了主体间差异。提出的框架能够在不完整的CT图像中有效分类癌症亚型，并在多中心数据集上验证了其临床有效性。此外，新开发的风险标记被视为生存预测的重要因素。

基于超图建模的 TACCO 方法，通过自监督的共聚类框架，发现临床概念和患者访问的簇类，进一步加强了电子医疗记录数据的超图模型，并通过对比目标实现了临床概念和患者访问的簇类的对齐，实验证明了 TACCO 提供了改进的效用和深入的解释。

本文介绍了一种新的算法UBNIN，用于编码个体大脑网络，研究帕金森病患者。结果表明，UBNIN能够有效反映大脑连接特征，并且随着年龄增长，脑网络的聚类系数存在差异，提供了脑萎缩和网络退化的证据。此外，利用fMRI技术研究轻度认知障碍（MCI）患者的脑区，发现特定节点的活动显著降低，为治疗策略提供了依据。

通过 3-D 挤压和激励卷积神经网络，在肺部计算机断层扫描中实现了对空间统计学信息感知的肺纹理模式和肺气肿亚型的准确分类。

使用U-Net多任务模型结合颜色和统计学增强，实现组织分割和肿瘤检测自动化。在CRC检测挑战中，该方法取得了较高的Dice分数和AUROC值。

本研究提出了一种可解释的机器学习方法LymphoML，用于淋巴瘤亚型的分类。该方法通过处理组织样本，提取形态特征，并训练模型进行诊断预测。LymphoML在有限量的组织样本上表现出与病理学家相当的准确性，并在跨越8个淋巴瘤亚型的数据集上胜过深度学习。核形状特征对两种亚型的诊断最具鉴别性。组织特征与免疫染色特征相结合的模型也具有较高的准确性。

本研究提出了一种可解释的机器学习方法LymphoML，用于精确分类淋巴瘤亚型。该方法通过处理组织样本，提取形态特征，并训练梯度增强模型进行诊断预测。LymphoML在有限量的组织样本上达到了与病理学家相当的准确性，并在跨越8个淋巴瘤亚型的数据集上胜过深度学习。通过分析每个特征对模型预测的影响，发现核形状特征对DLBCL和典型霍奇金淋巴瘤最具鉴别性。同时，将组织特征与免疫染色特征相结合的模型也具有较高的诊断准确性。

该文介绍了一种基于Transformer的Subtype-guided Masked Transformer（SGMT）范式，通过伴随的亚型预测提高病理图像标注的准确性，并采用不同的序列化抽样策略来处理尺寸限制。实验结果表明，该方法在PatchGastricADC22数据集上的性能优于传统的基于RNN的方法。

该研究使用红外显微光谱和深度学习的二维模型进行乳腺癌分类和生物标志物水平预测，有望成为乳腺癌筛查分析技术并帮助优先治疗患者。

该研究开发了一种基于高光谱图像和深度学习的工具，用于乳腺癌分型和生化贡献的评估。该模型具有高准确性，可对乳腺癌、邻近组织和分子亚型进行分类，并评估其生化影响。