近年來，深度學習為癌癥預后分析提供了新的方法。對深度學習在癌癥預后應用中的相關文獻進行歸納總結，可為深入開展癌癥預后研究提供借鑒和參考。因此，本文對深度學習在癌癥預后模型中的最新研究進展進行了系統綜述。首先，明確深度學習癌癥預后模型的構建思路及性能評價指標；其次，介紹搭建模型所采用的基本網絡結構，對所用數據類型、數據數量、具體網絡架構及優缺點進行探討；然后，驗證構建深度學習癌癥預后模型的主流方法并對實驗結果進行分析；最后，對該領域現階段面臨的挑戰及未來研究方向進行總結與展望。深度學習癌癥預后模型與以往模型相比，能夠更好地提高癌癥患者的預后預測能力。未來我們應繼續探索深度學習在癌癥復發率、治療方案、藥物療效評估等方面的研究，充分挖掘深度學習在癌癥預后模型中的應用價值與潛力，以便建立一個高效精準的癌癥預后模型，實現精準醫療的目標。
準確分割磨玻璃肺結節（GGN）具有重要臨床意義。針對電子計算機斷層掃描（CT）圖像中GGN邊界模糊、形狀不規則、強度不均勻等特點導致其分割困難的問題，本文提出一種全卷積殘差網絡算法，即基于空洞空間卷積池化金字塔結構和注意力機制的殘差網絡（ResAANet）算法。該網絡算法利用空洞空間卷積池化金字塔（ASPP）結構擴大特征圖感受野，提取更充分的目標特征，并采用注意力機制、殘差連接和長跳躍連接充分保留卷積層提取的GGN敏感特征。首先，用上海市胸科醫院收集的565個GGN對ResAANet進行全監督訓練、驗證，得到穩定的模型；然后，利用收集的另84個GGN和肺部圖像數據庫聯盟 （LIDC）公共數據庫中145個GGN分別測試模型得到粗分割結果；最后，用連通域分析方法去除假陽性區域得到優化結果。本文所提算法在采集的臨床數據和LIDC測試集上的戴斯相似系數（DSC）達到83.46%、83.26%，平均重合度（IoU）達到72.39%、71.56%，切片分割效率達到0.1 s/張。與其他算法相比，本文提出的方法能準確、快速分割GGN，且具有較好的穩健性，可以為醫生提供結節大小、密度等重要信息，輔助醫生后續的診斷和治療。