Salesforce研究院与Ellison研究院合作，共同开发一个称为ReceptorNet的深度学习算法，该算法可以确认荷尔蒙受体的状态，有助于医生判断胸腺癌患者的治疗方法。官方提到，将人工智能应用在胸腺癌诊疗上的研究并不少见，但是Google目前的研究成果，主要集中在诊断癌症上，而ReceptorNet不同之处在于，其目标为改善胸腺癌患者的治疗决策。
ReceptorNet可以从成本较低的组织图像中，预测荷尔蒙受体的状态，而目前要取得相同的结果，需要使用昂贵的组织图像，再加上专业的病理学家，来判断这些图像。Salesforce比喻传统方法与ReceptorNet的差异，就像是骨折的患者，不再需要到医院照X光片，才能得知骨折情形，只需要用手机上的相机，拍下患部照片，人工智能就能算出该处是否骨折。
过去，当病人被诊断出患有胸腺癌时，病理学家会在显微镜下，使用称为免疫组织化学（IHC）染色法，分析肿瘤组织，并寻找可能促使癌症发展的荷尔蒙受体，供医生判断后续让病人接受荷尔蒙疗法，或是化学疗法等其他治疗方案。但是IHC染色的缺点，便是十分昂贵而且耗时，在发展中国家等医疗缺乏的地区，难以提供这样的医疗服务。
而ReceptorNet则可以使用苏木精-伊红（H&E）染色组织，分析细胞的形状、大小和结构，来确认受体状态。ReceptorNet接受来自全球数十家医院癌症患者，所提供的数千张H&E染色组织图像训练，因此ReceptorNet能够在H&E染色组织图像中，找出人眼无法识别的细节，获取治疗癌症的重要线索。
在测试阶段，即便是全新未见过的图像，ReceptorNet也能达到92%的荷尔蒙受体测定精确度，而且研究人员提到，经过一些小幅度的修正，就能提升ReceptorNet的预测精确度，克服组织样本制备方法不同的问题。
Salesforce还强调，一些医疗保健以及实证医学，因为部分群体的资料不齐全，会有代表性不足的问题，而ReceptorNet在不同的人口统计群体，都能提供相同可靠性，在统计上，年龄、种族和地区等不同群体，对ReceptorNet的性能没有影响。