本文提出了一种可解释的多模态机器学习模型，用于预测非小细胞肺癌患者对奥希替尼的耐药性。研究表明，该模型在多机构数据集上的c-index达到0.82，显著优于单一模态模型，表明整合多种数据类型能有效提升预后预测的准确性。

本研究提出了Fluoroformer模块，利用注意力机制有效融合多重组织切片信息，克服多实例学习的局限性。在对434例非小细胞肺癌样本的研究中，该方法展现了优异的预后性能，并重现了相关免疫肿瘤学特征，为空间生物学检测中的人工智能应用提供了新路径。

该文章介绍了一种基于注意力机制的多实例学习方法，用于处理切片图像分类问题。该方法通过排除冗余块降低标注代价，并在乳腺癌和非小细胞肺癌数据集上取得了更好的性能。

我们提出了一个分割模型 (DRU-Net)，用于人类非小细胞肺癌的分割和分类结果的改善。该模型基于截断预训练的 DenseNet201 和 ResNet101V2，使用轻量级 U-Net 作为修正模型。我们使用了两个数据集来创建模型，平均 Dice 相似性系数为 0.91。空间增强方法提高了网络性能 3%。定性分析显示，DRU-Net 模型在肿瘤检测方面通常是成功的，但在伴有炎症和反应性变化的肿瘤中可能出现假阳性和假阴性分割区域。