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。

本研究提出GeSubNet方法，解决了从知识库中提取基因功能网络时，疾病网络与亚型特定变异不匹配的问题。GeSubNet通过统一表示学习，能预测基因交互并区分疾病亚型。在四个癌症数据集上表现优异，生成的网络能以83%的概率识别影响患者分布的亚型特定基因。

本研究结合蛋白质序列和表达数据，利用机器学习解决乳腺癌分子特征和临床预测问题。成功将患者分组，并准确预测生存率和生物标志物状态，提升了对肿瘤生物学的理解，对个性化治疗有重要影响。

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。

本研究使用深度学习构建了肿瘤预后分类模型，通过组织病理学图像进行早期癌症诊断。结果显示卷积模型表现优于多层感知器模型，引入了ResNet50和InceptionNet模型，并使用数据增强。最后探索了迁移学习和分割应用于理解特定特征的未来方向。

研究人员利用深度学习技术开发了一种新的网络，通过处理多维和多模态图像，精确分类肺癌亚型，提高临床诊断准确性。该模型在肺癌亚型分类中表现出卓越的效果，大幅提高了准确度。

该研究提出了一个用于肾脏癌症诊断和分类的统一框架，通过合成模型恢复缺失的CT图像，并利用病变级别特征进行癌症分类。实验证明该框架在不完整数据的诊断中比现有技术更有效。

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。

通过fMRI技术研究发现，轻度认知障碍（MCI）对大脑区域，特别是默认模式网络（DMN）中的节点有影响。研究使用感兴趣区域（ROIs）分析建立个体特定的DMN图，并使用社区检测算法确定最大子社区。结果显示，健康和MCI个体中的ROIs的NSS评分存在差异，其中海马后回和颞上回的差异最大。这些发现为受影响的ROIs提供了排序方法，并可能带来积极的治疗策略。

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。