蚂蚁健康与北大王俊院士团队发布全球首个专病循证评测框架GAPS，专注于肺癌，包含92个问题和1691个临床要点，旨在提升医疗AI的评测深度与可靠性。GAPS通过四个维度评估AI的临床能力，克服现有评测的局限，推动医疗AI向临床应用转型。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

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。

本研究利用自然语言处理技术自动提取肺癌和乳腺癌的临床报告信息，解决了手动提取的时间和准确性问题。通过NLP工具uQuery，能够高效识别和分类临床实体，但在处理低频实体时仍面临挑战。

本研究解决了现有放射组学和单模态深度学习方法在预测非小细胞肺癌患者的病理反应方面的局限性。我们提出了一种中间融合策略，将影像和临床数据整合，以增强模型的临床相关性并提高预测准确性和可解释性，为优化数据整合策略在临床应用中的潜力提供了新见解。

本研究提出了一种基于视觉-语言模型的语义引导成像生物标志物，用于早期肺癌检测。该方法整合了放射科医生的评估特征，克服了现有模型的局限性，展现出优异的诊断能力，具有显著的临床应用潜力。

本研究提出了一种新颖的3D模型nnUNet，用于肺癌早期检测中的肺结节分割和体积分析。该模型在不依赖解剖先验知识的情况下，显著提高了肺病变的分割和量化效果，检测超1cm病变的精准度为71.3%，灵敏度为68.4%，可实现个体化肿瘤负担评估。

本研究提出了一种适应尺度的多实例学习方法（SMILE），旨在改善STAS肺癌的病理诊断。通过引入尺度自适应注意机制，SMILE在多个数据集上超越了临床平均AUC，为计算病理学的发展奠定了基础。

本文解决了现有人工智能系统在训练数据、功能和性能方面差异大的问题，从而影响标准化和可比性。提出了一种基于经过验证的参考数据集的系统质量保证方法，定期更新以确保持续相关性。研究显示，建立透明的质量评估标准对于客观评价每个人工智能解决方案的优缺点至关重要。

本研究比较了XGBoost、LGBM和逻辑回归等多种机器学习方法在肺癌早期诊断中的应用，结果显示传统模型在分类准确性上优于复杂的深度神经网络，具有重要的临床应用潜力。

本研究提出了一种基于预训练MobileNetV2模型的深度学习框架，旨在提高肺癌CT图像分析的准确性和效率。实验结果表明，该模型在测试集上达到了99.6%的准确率，有助于提升肺癌诊断效率并降低医疗成本。

本研究提出了一种新型深度学习模型，用于快速检测肺部疾病和肺癌。该模型通过胸部X光片识别肺结节及其他八种肺病，分类准确率达到77%。研究表明其具有良好的泛化能力，未来可通过扩展数据集提高诊断准确性。

本研究评估了多种大型语言模型在生成出院总结中的表现，结果显示GPT-4o和调优后的LLaMA 3表现优异，表明自动摘要工具在提升医疗文档的准确性和效率方面具有潜力。

本研究提出一种新方法，结合CT、PET扫描和基因组数据，构建准确的肺癌生存预测模型。通过跨患者模块增强相似患者的嵌入对齐，实验结果显示该方法优于现有技术，具有重要临床应用价值。

本研究解决了非小细胞肺癌（NSCLC）的早期检测和亚型分类的复杂问题，通过融合CT和PET扫描图像、临床健康记录及基因组数据，提出了一种创新的多模态数据整合方法。研究结果表明，该新方法在NSCLC检测和分类的精度上取得了显著提升，准确率达94.04%，具有潜在的转变诊断和治疗规划的影响。

本文介绍了一种用于评估新辅助化疗后乳腺DCE-MRI的长期变形注册方法，通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，该方法能够精确量化肿瘤变化并保持肿瘤体积不变。实验证明该方法具有更好的注册性能和肿瘤体积保持，并在病理完全缓解预测中取得了高准确性，有望用于避免对某些患者进行不必要的手术。

本研究解决了肺癌级别分类中诊断准确性和预后评估的挑战。通过参数调优和严谨评估，我们提出深度神经网络（DNN）模型在各阶段表现较为卓越，以及集成方法在提高预测准确性和鲁棒性方面的潜力。研究结果强调了优化模型性能对于改善肿瘤护理中诊断准确性的关键作用。