复旦中山医院与阿里达摩院合作研发的AI模型DeepENE，能够准确检测喉癌和下咽癌的淋巴结转移，其诊断性能显著优于人类专家。该研究成果已发表在《放射学》杂志上，有助于制定个性化治疗方案。

该研究提出了一种自动化方法，通过CT图像预测肝细胞癌，有效解决了放射科医生之间的诊断差异。采用受LI-RADS启发的两步法，显著提升了分类性能，结果优于非专业医生，接近专业医生水平。

本文介绍了多种深度学习模型在头颈部癌症肿瘤分割中的应用，包括AnatomyNet、URPC框架和2S-ICR框架。这些模型通过改进算法和技术，提高了分割精度和处理速度，为放疗提供了有效支持，显示出深度学习在肿瘤体积分割中的良好前景。

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意。提出了全能的HOT模型，生成层次预测、越界图像警报和对显微镜图像的推荐。实验证明了每个组件的有效性和协同作用。为病变诊断提供决策支持，为医学AI应用设定了先例。

该研究使用深度学习技术对头颈癌患者的 MRI 和 CT 扫描图像中的 30 种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。

该研究提出了一种基于交叉关注的多实例学习方法，能够在WSIs上无需标注即可识别乳腺癌淋巴结微转移，具有良好的解释性特点。

身体里有东西一直增长叫癌，恐惧；生活里有东西一直增长叫钱、经济，开心。前者现实，后者理想；边界条件不变幻想。边界条件如掌控清洁能源、殖民火星获取资源、改造身体以更高效使用能源。

本论文介绍了一种使用卷积神经网络的弱监督切片传播分割方法，以RECIST标记作为弱监督数据。该方法在淋巴结数据集上表现出与完全监督方法相当的性能，全面的病变数据集上测试的Dice分数均值为92%（在RECIST标记图层上）和76%（在整个3D体积上）。

本研究介绍了一个新的大规模直肠癌CT图像数据集CARE和一种名为U-SAM的医疗癌症病变分割基准模型。U-SAM通过即时信息处理解决腹部器官结构复杂性挑战，并在CARE和WORD数据集上优于现有方法。该研究为未来研究和临床应用提供了基线。