作为一种高通量图像分析技术，可提取常规CT影像中蕴含的定量特征，已在多种肿瘤中显示出预后评估价值，但其在ESCC中的临床应用仍处于探索阶段，且多数研究存在方法学异质性、特征提取不统一等问题。构建基于CT放射组学的预测模型，用于评估接受根治性放化疗的局部晚期ESCC患者的总生存期，并系统验证该模型在多个独立患者队列中的。的预后评估工具，为局部晚期ESCC患者的个体化治疗策略制定提供影像学依据，并为未

研究利用多中心CT数据，首先训练nnU-Net模型对胃癌病灶进行自动分割，然后在自动分割的基础上提取影像组学特征，构建预测模型。结果显示，该影像组学模型在不同中心的数据集中均表现出良好的预测性能（AUC达0.81-0.86），为实现胃癌的个性化治疗提供了无创的辅助工具。：以Radscore为核心特征，结合临床独立预测因子，分别构建影像组学模型和临床-影像组学联合模型，用于胃癌Lauren分型的术前

研究开发并验证了一个名为 REMIND 的端到端深度学习模型，用于基于增强CT图像的七种常见原发性腹膜后肿瘤（PRNs）的诊断与分割。更重要的是，读者研究表明，REMIND的诊断准确率显著高于初级和主治医师，与高级医师相当；基于中国12家医疗中心的1530例患者数据进行训练与验证，REMIND在七分类任务中表现出良好的预测性能，本研究首次为PRNs提供了一个经过多中心验证的AI辅助诊断工具，具有良

该模型在早期肺癌（I期）中也表现出较好的检测能力，且在非肺癌癌症患者中，单独免疫特征仍能识别82%的病例。研究纳入344名有肺部症状的可疑肺癌患者，最终对170例患者的数据进行分析，发现。本研究基于这一背景，探索将CT影像的深度学习与放射组学分析，结合外周血免疫特征，构建多模态融合的肺癌早期诊断模型，以期弥补现有筛查手段的不足。的肺癌早期诊断方法，具体包括：利用CT图像的纹理分析和深度学习自编码器

（中科院1区top，IF=8）上发表的研究”Development and validation of a pathomics model for accurate grading of pancreatic neuroendocrine tumors“即胰腺神经内分泌肿瘤精确分级的病理组学模型的开发与验证，该研究构建并验证了一种基于H&E染色全切片图像（WSIs）的病理组学模型，用于胰腺神经内分

通过分析157例PTC患者的RNA-seq数据，筛选出三个关键基因（RPS4Y1、PKHD1L1、CRABP1），并在807例多中心样本中通过qRT-PCR验证。通过对157例PTC患者的肿瘤组织进行RNA-seq分析，筛选与LNM密切相关的差异表达基因，结合Boruta特征选择算法与随机森林模型，最终锁定。目前术前评估LNM的主要手段是颈部超声，但其诊断准确性有限，尤其是对中央区LNM的检出率极

多变量分析显示，分子亚型（OR范围：4.76-8.39）、ITH指数（OR=30.05，95%CI：8.43-122.64，P<0.001）和C-radiomics评分（OR=29.90，95%CI：12.04-81.70，P<0.001）是pCR的独立预测因子。建立7种预测模型（临床模型、ITH模型、C-radiomics模型、ITH-radiomics模型、临床-ITH模型、临床-radiom

不仅能实现分子分型与分级的高效预测（外部验证AUC最高达0.903），还能实现预后分层（C指数在独立队列中达0.723），并为不同风险亚型提示潜在靶向治疗策略，推动胶质瘤诊疗向个性化、全局化与机制驱动的方向发展。（包括转录组、蛋白质组、甲基化组、免疫浸润、肿瘤突变负荷等）系统揭示DPS背后的生物学基础，如致癌通路活化、免疫微环境特征、表观遗传改变等。采用ROC曲线、混淆矩阵、Kaplan-Meie

然而，如何在治疗前准确识别出对放化疗高度敏感、有望达到病理完全缓解的患者，仍是临床亟待解决的难题。近年来，基于人工智能的影像组学与病理组学在肿瘤精准诊疗中展现出潜力，影像组学可从MRI中提取肿瘤宏观异质性信息，而病理组学则能反映细胞核与微环境的微观特征。研究团队基于回顾性队列，从患者治疗前的盆腔多参数MRI（包括T2加权成像、增强T1加权成像和弥散加权成像）以及活检组织的HE染色全切片图像中，分别

具体目标包括：首先，在大型多中心回顾性队列中，评估该模型对腹膜复发的预测准确性，并探索其能否提升临床医生的判断能力；此外，当临床医生参考该AI模型的预测结果后，其对腹膜复发的判断。该模型在包含2320例患者的多中心回顾性队列中表现出一致的高预测效能，腹膜复发的曲线下面积（AUC）在训练集、内部验证集和外部验证集分别达到0.857、0.856和0.843，且其预测能力。目前，全身化疗对腹膜转移的疗效