本研究分析了新辅助mFOLFOX6化疗在局部晚期直肠癌患者中的疗效，结果显示其与传统治疗方案在长期生存率上无显著差异。同时，CLEAR试验表明Lenvatinib与Pembrolizumab联合治疗晚期肾细胞癌的效果优于Sunitinib。研究强调了亚组分析的重要性，揭示了不同治疗方案的预后因素。

本研究提出了一种基于扩散概率模型的全无监督低剂量CT图像去噪方法，能够生成高质量的正常剂量CT图像，且性能优于多种监督学习方法。同时，研究还介绍了基于扩散模型的剂量预测方法，提升了放射治疗的剂量分布预测准确性，展示了其在癌症治疗中的应用潜力。

本研究探讨了交互式分割算法Segment Anything Model（SAM）在乳腺超声影像中对肿瘤分割的有效性，ViT_l模型表现优异。研究分析了肿瘤特征对分割性能的影响，并提出了新型医疗癌症病变分割模型U-SAM，显示出在多个数据集上的优越性，为未来研究提供了基线。

本文评估了Meta AI Research发布的SAM模型在医学成像中的息肉分割性能，提出了结合迁移学习的Poly-SAM模型，显著提升了结肠息肉分割效果。还探讨了传统与深度学习算法的比较，提出了SAM-guided Collaborative Learning Network方法，展示了在弱监督分割中的优势，并分析了深度学习在息肉分割中的挑战与机遇。

本文介绍了多种深度学习模型在结肠癌检测和组织分割中的应用，包括U-Net多任务模型和U-SAM模型，均在不同数据集上表现优异。研究强调数据增强和半监督学习的重要性，并提出新框架以提高息肉图像分割的准确性，为未来临床应用提供基线。

我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

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。

本文研究了卷积神经网络在乳腺癌病理学中的应用，提出了一种快速自动检测淋巴结转移的新方法，并在数据集上取得了优异的性能。

解释性对于增强人工智能在医学领域的可信度至关重要，然而，关于可解释模型对临床决策实际效益的讨论仍存在多个问题，包括缺乏评估框架、医生中心评估的限制以及基于 Transformer 模型的内置注意力机制作为可解释性技术的效用不明确。通过使用临床数据和磁共振成像来预测直肠癌淋巴结转移，我们使用多模态 Transformer...

利用影像综合数据增强和半监督学习的方法，提高判断直肠癌的分割准确性和结直肠 T 分期预测算法的特异性和敏感性。

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基线。

最近，欧洲肿瘤学会（ESMO）刚刚发布 转移性结直肠癌（mCRC）的临床实践指南 。因为肝脏是结直肠癌最主要的转移部位，临床工作中我也会碰到不少肠癌肝转移的病人，所以系统性地学习一下指南还是非常有必要的。ESMO 指南一贯以中立和循证著称，所以更有学习的必要。我挑选了跟我的临床工作最为相关的可切除和潜在可切除的结肠癌肝转移部分进行了阅读，并做了一些笔记。 初始技术上可 R0...