我们提出了IMLSP框架，用于多标签多模态的头颈癌存活预测，能够同时预测多个存活结果并提供可视化解释。通过RADCURE HNC数据集评估，结果优于单模态和单标签模型。该模型关注肿瘤和淋巴结体积，证明多标签学习提升了效率和预后性能，有助于理解AI决策，促进个性化治疗。

本研究提出了一种新方法，通过利用放疗前的肿瘤区域和局部梯度图，提高头颈癌肿瘤体积分割的准确性。这对自适应放疗的分割和治疗计划有积极影响，可能改善患者治疗效果。

本研究提出了一种新方法UMambaAdj，用于头颈癌MRI引导自适应放疗中的肿瘤分割。结合UMamba和nnU-Net Residual Encoder的优势，在HNTS-MRG 2024测试集上，T2加权MRI图像的GTVp和GTVn平均Dice系数分别为0.751和0.842，显示出提高肿瘤勾画精度的潜力。

本研究提出了一种基于视觉语言模型的放射治疗靶体积自动分割网络Radformer，通过整合视觉和语言特征，实现语言感知的视觉编码。在头颈癌患者数据集上评估，Radformer在分割性能上优于其他模型，展示了在放射治疗实践中的潜力。