标签
一项新的同行评审研究发现，美国农药中485种化学物质与乳腺癌相关，突显了监管漏洞和公共卫生问题。
一种因果多模态人工智能模型利用病理学和临床数据预测乳腺癌的个性化化学敏感性，其性能优于现有测试，并可能将化疗使用率降低30%。
法国一法庭在一项具有里程碑意义的裁决中，认定宇宙辐射是导致一名空乘人员罹患乳腺癌的因素，此举可能为类似的职业病索赔提供依据。
科学家开发了一种名为CenSegNet的人工智能平台，用于分析乳腺癌肿瘤中的中心体，揭示了能够预测癌症进展并推动个性化治疗的新模式。
一篇研究论文将基于H&E的深度学习复发风险热图与质谱空间蛋白质组学相结合，以识别三阴性乳腺癌中与复发相关的瘤内分子生态位，实现了强大的预测性能，并揭示了不同的有丝分裂程序与免疫程序。
本文使用来自 TCGA-BRCA 的多组学数据，系统地基准测试了用于 ER 状态预测的经典机器学习模型（Random Forest、XGBoost 等），发现 RNA 表达提供了最强的预测信号，并且在整合的多组学设置中，Random Forest 达到了 90.3% 的平衡准确率。
本文提出了UMMT，一种基于Token级别的跨模态Transformer与对比多任务学习，用于乳腺癌亚型分类和生存预测，在METABRIC和TCGA-BRCA数据集上取得了最先进的结果。
评估了利用72个临床案例生成乳腺癌治疗推荐的自主LLM系统，发现最佳系统（采用D&C+SA流程的Claude Opus 4.8）的全局得分为0.594，但由于持续存在的错误，尚不足以用于无监督临床使用。
本文提出了一种以Token为中心的双视角学习框架，在冻结的视觉Transformer中统一了基于提示的适配和跨视角融合，以改善基于乳腺X线图像的乳腺癌分类，在VinDr-Mammo和CMMD数据集上取得了一致的性能提升。
本文系统评估了联邦学习下三种生存模型（Cox、DeepSurv、RSF）在异质性乳腺癌数据上的表现，发现联邦学习优于本地训练，且RSF在各客户端间提供了最佳性能平衡。
本文探讨了整合多模态临床数据（包括治疗记录、病理报告和临床医生笔记）的方法，通过基于规则的提取和机器学习，与单模态方法相比，提高乳腺癌复发预测的准确性。
本文提出了一种面向部署的压力测试框架，用于评估大型语言模型在识别乳腺癌放疗副作用方面的表现。该研究揭示了LLM在可靠性方面的局限性，例如对文档细微变化的敏感性以及对罕见副作用的低召回率，表明以临床医生整理的清单为输出依据可提高鲁棒性。