Predicting benefit from immune checkpoint inhibitors in patients with non-small-cell lung cancer by CT-based ensemble deep learning: a retrospective study

A lung cancer risk warning model based on tongue images

这个idea有点简单，舌特征预测肺癌预后。基于不同色彩空间去提取舌体和舌苔的特征，用了六种机器学习方法：决策树、SVM、随机森林、神经网络、朴素贝叶斯和逻辑回归，结果就在0.7-0.8徘徊。

图片.png

Remora Namib Beetle Optimization Enabled Deep Learning for Severity of COVID-19 Lung Infection Identification and Classification Using CT Images

这个文章本身是针对炎症状态下肺分割算法的优化。领域不是太相关，不过这个文章介绍了一下既往常见的一些肺分割手段，感觉可以学习一下。关于结果的评估，没有太多可视化的内容，就不看了。

图片.png

AI-based computer-aided diagnostic system of chest digital tomography synthesis: Demonstrating comparative advantage with X-ray-based AI systems

亮点
- 我们为胸部数字断层合成 (CDTS，其实就是CT的冠状面重建？) 开发了一种新的人工智能计算机辅助检测系统 (AI CAD)，该系统旨在从现有的基于胸部 X 射线 (CXR，就是胸片) 的 AI CAD 中直接扩展，从而能够与基于胸片的AI CAD相比较。
- 我们还开发了一种技术来推进CT诊断图像的可视化，以增强其可解释性。
- 由于我们的 CDTS AI 具有可扩展性，我们可以公平地比较 CDTS 和 CXR 的AI CAD 之间的性能。从这个比较来看，CDTS AI被证明具有更高的诊断性能；因此，我们发现 CDTS 作为 AI CAD 作为现有 CXR AI 技术的有效替代方案的有用性。

这应该算是一个比较性的研究比较了基于CT和胸片的诊断系统，这种整体的诊断系统目前我们不太用的上。输入是CT或者胸片，阳性结果是判断肺结核或者肺炎，做二分类。

图片.png

Whole genome DNA methylation and DNA methylation-based biomarkers in lung squamous cell carcinoma

• 背景：既往有这种针对NSCLC患者诊断的甲基化生物标志物，其中大多数与LUAD有关，而很少提供专门针对LUSC的基于甲基化的诊断模型和对LUSC甲基组数据的综合分析。
• 鉴定甲基化位点，然后做功能注释分析，接着基于CpG岛情况进行聚类（3类），进一步锁定5个可以构造稳定模型的CpG岛位点。进一步建模做分析，最后染了点片子。

亮点：
1. 全面评估肺鳞状细胞癌 (LUSC) 的 DNA 甲基化
2. 在 LUSC 中鉴定出五个甲基化生物标志物以及映射基因
3. 异常甲基化生物标志物也显示在肺进行性 CIS 病变中

图片.png

注：我觉得这个和我们做的挺像的，是一篇我觉得可以学学的文章。