本研究提出了一种新型3D语义不对称肿瘤分割方法，有效解决了鼻咽癌放射治疗中低对比度肿瘤的体积分割问题，显著提高了分割性能，提升了Dice分数并降低了距离误差，预计将提高临床治疗的准确性。

我们提出了IMLSP框架，用于多标签多模态的头颈癌存活预测，能够同时预测多个存活结果并提供可视化解释。通过RADCURE HNC数据集评估，结果优于单模态和单标签模型。该模型关注肿瘤和淋巴结体积，证明多标签学习提升了效率和预后性能，有助于理解AI决策，促进个性化治疗。

在马来西亚的研究中，首次试图鉴别鼻咽癌、鼻咽炎和正常病例之间的差异。通过使用具有21个密集层的DenseNet架构对来自七个不同患者和两家医院的七个全切片图像进行实验，将组织区域分块并进行分类。测试结果显示，在概念验证中，鼻咽癌的准确率达到94.8%，在真实测试场景中为67.0%。

RSNA-MICCAI脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的MGMT生物标记物状态。使用多参数mpMRI扫描图片进行二分类，尝试了不同的架构，包括ViT3D、ResNet50、Xception和EfficientNet-B3。在测试集上，ViT3D模型和Xception模型分别达到了0.6015和0.61745的优势。可以通过探索不同的策略、架构和数据集进一步提高。

放疗是治疗鼻咽癌的主要有效策略，精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近，深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛，并分析了所有参与者的解决方案。

该研究使用深度学习成功实现了21个头颈部放射敏感器官的自动分割，并引入了表面Dice相似系数作为新指标。该模型具有较强的泛化能力，可提高放射治疗路径的效率、一致性和安全性。