• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Artificial intelligence propels lung cancer screening: innovations and the challenges of explainability and reproducibility.

作者信息

Mascalchi Mario, Marzi Chiara, Diciotti Stefano

机构信息

Experimental and Clinical Biomedical Sciences "Mario Serio", University of Florence, Firenze, Italy.

Department of Statistics, Computer Science, Applications "G. Parenti", University of Firenze, Firenze, Italy.

出版信息

Signal Transduct Target Ther. 2025 Jan 24;10(1):18. doi: 10.1038/s41392-024-02111-9.

DOI:10.1038/s41392-024-02111-9
PMID:39848967
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11758031/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/25ce/11758031/2e513f8395a1/41392_2024_2111_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/25ce/11758031/2e513f8395a1/41392_2024_2111_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/25ce/11758031/2e513f8395a1/41392_2024_2111_Fig1_HTML.jpg

相似文献

1
Artificial intelligence propels lung cancer screening: innovations and the challenges of explainability and reproducibility.人工智能推动肺癌筛查：创新以及可解释性和可重复性挑战
Signal Transduct Target Ther. 2025 Jan 24;10(1):18. doi: 10.1038/s41392-024-02111-9.
2
On the practical, ethical, and legal necessity of clinical Artificial Intelligence explainability: an examination of key arguments.论临床人工智能可解释性的实践、伦理和法律必要性：关键论点审视
BMC Med Inform Decis Mak. 2025 Mar 5;25(1):111. doi: 10.1186/s12911-025-02891-2.
3
Explainability for artificial intelligence in healthcare: a multidisciplinary perspective.人工智能在医疗保健中的可解释性：多学科视角。
BMC Med Inform Decis Mak. 2020 Nov 30;20(1):310. doi: 10.1186/s12911-020-01332-6.
4
Re-focusing explainability in medicine.重新聚焦医学中的可解释性。
Digit Health. 2022 Feb 11;8:20552076221074488. doi: 10.1177/20552076221074488. eCollection 2022 Jan-Dec.
5
The ethical requirement of explainability for AI-DSS in healthcare: a systematic review of reasons.医疗保健中人工智能决策支持系统（AI-DSS）可解释性的伦理要求：原因的系统综述
BMC Med Ethics. 2024 Oct 1;25(1):104. doi: 10.1186/s12910-024-01103-2.
6
The Pivotal Role of Baseline LDCT for Lung Cancer Screening in the Era of Artificial Intelligence.基线低剂量CT在人工智能时代肺癌筛查中的关键作用
Arch Bronconeumol. 2025 Jun;61(6):359-367. doi: 10.1016/j.arbres.2024.11.001. Epub 2024 Nov 22.
7
Population Preferences for Performance and Explainability of Artificial Intelligence in Health Care: Choice-Based Conjoint Survey.人群对医疗人工智能性能和可解释性的偏好：基于选择的联合调查。
J Med Internet Res. 2021 Dec 13;23(12):e26611. doi: 10.2196/26611.
8
A manifesto on explainability for artificial intelligence in medicine.人工智能在医学中的可解释性宣言
Artif Intell Med. 2022 Nov;133:102423. doi: 10.1016/j.artmed.2022.102423. Epub 2022 Oct 9.
9
Artificial Intelligence in Otolaryngology: Topics in Epistemology & Ethics.人工智能在耳鼻喉科中的应用：认识论和伦理学议题。
Otolaryngol Clin North Am. 2024 Oct;57(5):863-870. doi: 10.1016/j.otc.2024.04.008. Epub 2024 Jun 4.
10
Causability and explainability of artificial intelligence in medicine.人工智能在医学中的可归因性与可解释性。
Wiley Interdiscip Rev Data Min Knowl Discov. 2019 Jul-Aug;9(4):e1312. doi: 10.1002/widm.1312. Epub 2019 Apr 2.

引用本文的文献

1
Space-time analysis of head and neck cancer in Asia and its 34 countries and territories (1990-2021): Implications from the Global Burden of Disease Study 2021.亚洲及其34个国家和地区头颈癌的时空分析（1990 - 2021年）：来自《2021年全球疾病负担研究》的启示
PLoS One. 2025 Jun 17;20(6):e0326177. doi: 10.1371/journal.pone.0326177. eCollection 2025.

本文引用的文献

1
Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography.基于数据驱动的胸部 CT 检出肺结节风险分层与精准管理
Nat Med. 2024 Nov;30(11):3184-3195. doi: 10.1038/s41591-024-03211-3. Epub 2024 Sep 17.
2
Guiding questions to avoid data leakage in biological machine learning applications.指导问题以避免生物机器学习应用中的数据泄露。
Nat Methods. 2024 Aug;21(8):1444-1453. doi: 10.1038/s41592-024-02362-y. Epub 2024 Aug 9.
3
Incidental Findings on Low-Dose CT Scan Lung Cancer Screenings and Deaths From Respiratory Diseases.
低剂量 CT 扫描肺癌筛查中的偶然发现与呼吸系统疾病导致的死亡。
Chest. 2022 Apr;161(4):1092-1100. doi: 10.1016/j.chest.2021.11.015. Epub 2021 Nov 25.
4
Deep learning predicts cardiovascular disease risks from lung cancer screening low dose computed tomography.深度学习预测肺癌低剂量计算机断层扫描筛查的心血管疾病风险。
Nat Commun. 2021 May 20;12(1):2963. doi: 10.1038/s41467-021-23235-4.
5
Evaluation of Prediction Models for Identifying Malignancy in Pulmonary Nodules Detected via Low-Dose Computed Tomography.基于低剂量 CT 检测肺结节的良恶性鉴别预测模型评估。
JAMA Netw Open. 2020 Feb 5;3(2):e1921221. doi: 10.1001/jamanetworkopen.2019.21221.