肺癌是全球癌症相关死亡的主要原因。尽管低剂量计算机断层扫描（LDCT）在通过早期检测降低肺癌死亡率方面显示出其价值，但LDCT筛查在临床实施中仍面临诸多挑战。这些挑战包括高假阳性率、专家放射学解读资源有限以及风险分层策略不够完善。与此同时，肺癌的治疗决策变得日益复杂，涉及手术、化疗、放疗、靶向治疗和免疫治疗等多种选择，需要根据患者的个体特征进行个性化选择。
人工智能（AI），特别是机器学习、深度学习、大规模模型和影像组学，在肺癌诊疗的整个流程中展现出变革性的潜力。在筛查领域，AI模型可以增强对肺结节的检测、分类和风险评估能力，从而提高诊断准确性并减少不必要的干预措施。在治疗领域，AI能够整合放射学、临床、病理和分子数据，以预测治疗反应、预测生存结果，并识别可能从特定治疗策略中受益的患者。AI与真实世界临床实践的结合有望改善决策过程，实现及时干预，并优化肺癌患者的个性化治疗方案。
本研究主题旨在突出将AI应用于改善肺癌筛查和治疗的创新研究。目标是促进开发具有临床适用性、可解释性和稳健性的AI模型，以支持早期诊断、指导治疗决策和提升结果预测能力。通过将技术进步与临床需求相结合，这一研究主题希望加速AI在患者护理中的实际应用，从而带来有意义的改进。
本研究主题欢迎高质量的研究贡献，重点关注但不限于以下领域：
- AI驱动的肺结节检测、分割和风险评估；
- 针对新辅助治疗、辅助治疗和根治性治疗的治疗反应、耐药性和毒性预测建模；
- 用于非侵入性肿瘤特征分析和生物标志物发现的影像组学和深度学习方法；
- 多模态AI技术和新型图像分析架构；
- 大型语言模型和视觉-语言模型在肺癌影像和决策支持中的应用；
- 肺癌护理中AI模型的临床验证、稳健性、可解释性和伦理评估；
- AI赋能的流行病学分析以优化筛查策略和医疗规划。
请注意：仅基于公共数据库的生物信息学、计算分析或预测研究，若未经过独立临床队列或体外/体内实验验证，不适合在本期刊发表。
(全文结束)