谷歌DeepMind与耶鲁大学合作推出C2S-Scale模型，发现新药物组合可能增强肿瘤对免疫系统的可见性。该模型成功验证了silmitasertib与干扰素的协同效应，提升了抗原呈现，为癌症治疗提供了新途径。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究针对传统肿瘤浸润淋巴细胞（TILs）评估方法的复杂性，提出了一个透明且易于访问的自动化评估管道。通过结合像素分类器和深度学习模型，我们的管道在乳腺癌H

空间转录组学技术STAIG利用深度学习整合基因表达与组织图像，克服传统方法局限，有效识别空间区域，揭示肿瘤微环境细节，推动生物系统理解。

本研究聚焦于评估和提升用于人工智能临床决策支持系统（CDSS）的数据准备情况，特别是针对皮肤癌治疗。通过多方面的方法论，本研究识别了皮肤癌治疗决策的关键数据点，评估了这些数据在多种信息系统中的存在情况和质量，强调了高质量和可获取数据在人工智能驱动的CDSS成功应用中的重要性。

本研究提出了LesionLocator，这是一个用于3D医学影像中零-shot纵向病灶追踪与分割的框架，填补了纵向数据可用性方面的关键空白。该模型基于23262个注释医学扫描的广泛数据集，实现了与现有模型相比几乎提高10个dice点的病灶分割性能，并建立了通用提示病灶分割和自动化纵向病灶追踪的新基准，对未来医学影像的进步具有重要影响。

本研究解决了在临床环境中，多模态MRI图像获取困难的问题。通过设计一个结合多模态对比学习的生成模型，专注于关键肿瘤区域，提高了图像合成的精度以及后续分割任务的性能。实验结果表明，该模型在缺失模态图像的生成上表现出色，具有显著的临床应用潜力。

本研究针对罕见的胰腺神经内分泌肿瘤（pNETs），建立了一个包含469位患者的对比增强CT图像数据集，并引入新的切片加权损失函数，以提升肿瘤分割性能，从而改善pNET的诊断和患者预后。

本研究解决了在不同时间对同一患者肝脏CT扫描进行肿瘤进展评估时的配准问题，特别是在肝脏检查中，由于各种非刚性变形和病理变化，配准过程复杂。本文提出了一种基于几何和解剖信息的配准方法，实验结果显示该方法相比其他配准技术能够提供更平滑的变形，同时保持肿瘤负担，从而提高了肿瘤进展评估的准确性。

本研究解决了当前计算肿瘤浸润淋巴细胞评估模型对大量详细注释依赖的问题。我们提出了一种更简单的深度学习模型ECTIL，能够在仅需少量病理学家的标注下进行训练，并在多个数据集中验证其有效性。研究表明，ECTIL与病理学家的评分高度一致，并对患者的总体生存率有显著的预测价值，可用于临床试验筛选及诊断辅助。

本研究探讨了开源大型语言模型（LLMs）在德国肿瘤文档记录中的应用，旨在提高效率和可靠性。测试结果表明，7-12亿参数的模型在肿瘤诊断识别、ICD-10编码分配和首次诊断日期提取等任务中表现最佳，显示出在临床文档记录中的自动化潜力。

本研究解决了放射科医生在处理每年8500万次CT扫描中生成肿瘤相关报告的困难问题。提出的RadGPT是一种解剖学感知的视觉语言AI代理，能够从CT扫描中生成详细的结构化和叙述性报告，显著提高了肿瘤检测的敏感性和特异性。最重要的发现是RadGPT生成的报告在大型肿瘤和小型肿瘤检测中，准确性超越了现有的最先进技术，并创建了首个公开可用的图像-文本3D医学数据集。