Модель CDLR, интегрирующая клинические данные, радиомику и глубокое обучение, продемонстрировала AUC 0.930 в валидационной когорте и превзошла оценку радиолога (AUC 0.695, p=0.0006) при дифференциальной диагностике лоханочного уротелиального рака и ксантогранулематозного пиелонефрита.

MSDR-Net, модель глубокого обучения с многоуровневыми остаточными блоками и модулями внимания к каналам, достигла 92,0% точности и AUC 0,921 в классификации опухолей позвоночника по МРТ, превзойдя шесть других архитектур при сохранении вычислительной эффективности.

Комбинированная модель, интегрирующая интра-перитуморальную радиомику, 2.5D глубокое обучение и клинико-радиологические признаки, позволила неинвазивно прогнозировать степень злокачественности WHO/ISUP светлоклеточного ПКР у пациентов старше 60 лет с AUC до 0.775 на внешней валидации.

Глубокое обучение на основе карт ADC позволяет создавать вероятностные карты резистентных зон внутри GTV глиобластомы: ROC AUC 69%, PR AUC 80%. Базовая UNet превосходит предобученные модели по чувствительности и F1-score.

Мультиканальная модель глубокого обучения на основе DCE-MRI в сочетании с клиническими предикторами достигла AUC 0.887 для неинвазивной предоперационной дифференциации гепатоцеллюлярной карциномы и массформирующей холангиокарциномы.

Метаанализ 11 исследований показал умеренную чувствительность (0.75) и высокую специфичность (0.89) моделей глубокого обучения на основе УЗИ для оценки аксиллярного статуса при раке молочной железы, но широкие интервалы предсказания и гетерогенность ограничивают клиническое применение.

Обзор методов глубокого обучения для генерации синтетической КТ из конусно-лучевой КТ в фотонной и протонной лучевой терапии. Несмотря на обнадёживающие результаты по качеству изображений и дозиметрической точности, ни один метод не показывает стабильного превосходства, а внешняя валидация и проспективная оценка остаются ограниченными.

Метаанализ 43 исследований (67 302 пациента) показал, что модели глубокого обучения достигают наивысшей точности прогноза pCR после нХЛТ при LARC (AUC 0.919), превосходя МРТ-радиомику (0.885) и клинические факторы (0.820). Однако преобладание ретроспективных одноцентровых дизайнов с ограниченной внешней валидацией представляет критический трансляционный разрыв.

Трансформер-модель, объединяющая данные экспрессии генов (GEX) и предоперационические клинические данные, достигла AUC 0.693 для предикции метастазов в сторожевых лимфоузлах (SLNM) и потенциально позволяет избежать биопсии у 27.2% пациенток при сохранении чувствительности 92.1%.

Гибридная CNN-Transformer модель на основе DWI достигла AUC 0.93 на внутренней и 0.91 на внешней валидации для классификации HER2-статуса рака молочной железы, значимо превзойдя клинических экспертов (AUC 0.91 vs 0.65 vs 0.63).