人工智能应用在胸腺癌诊断上又有新进展，IBM最新的深度学习模型，能以87％的正确率预测胸腺癌的发展，并以77％正确率解释非癌症的病例，而且还能以48％的精确度，找出被放射科医师初步断定为非恶性肿瘤，但一年确诊为胸腺癌病例，IBM提到，这个可能是第一个结合X光照片以及电子健康记录数据，用于预测胸腺癌的研究。
现行的胸腺癌筛检，主要是由医师审查乳房X光照片进行，但由于乳房X光照片会因为组织的形状、大小、颜色甚至是质地的差异，而影响最终判断的结果，因此为了弥补这项识别误差，现行医学作法是让第二位判读者再次进行X光照片判读，以有效提升判读的正确性，但时常因为人力资源的限制，在很多地区的医院，无法将第二位判读者加入标准筛检的流程中。
而IBM的这项研究就是希望人工智能能够担任第二位判读者的角色，帮助放射科医生进行分析，而实验也证明，IBM将深度学习模型用于评估胸腺癌，其精确度已经与放射科医师相当，已经能进入临床实践。IBM表示，之所以他们能训练出高精确度的模型，很大程度必须要归功于庞大的训练数据，他们与以色列大型医院合作，取得去识别化的乳房X光照片、每位病患的完整临床数据，以及甲状腺功能、生育纪录和其他生物识别信息。
IBM总共取得13,234名女性的52,936张图像数据集，这些女性在2013年至2017年期间，接受过至少一次乳房X光检查，并且在接受乳房X光检查之前，有至少一年的健康纪录。IBM利用9,611位女性的乳房X光照片以及健康纪录来训练模型，目标是预测活体组织切片恶性肿瘤，并且区分正常以及异常的筛检。
研究人员取得良好的成果，模型可以精准预测87％病例的胸腺癌发展，并且能正确解释77％非癌症的病例，而在放射科医生初判定为非恶性肿瘤，但是在一年内会被重新诊断为胸腺癌的71个病例中，该模型正确预测出其中的48％病例。IBM提到，没有患癌症但被误判为阳性，虽会为病患带来额外的心理压力，但是更重要的，是要找出实际患癌症，但却被误诊为假阴性的案例，因为这会影响癌症病患治疗的进程以及效果。
另外，这个模型也关联了胸腺癌所伴随发生的其他临床特征，包括缺乏铁质、白血球状况以及甲状腺功能等，研究人员表示，白血球状况以及甲状腺功能，是目前尚未应用在其他胸腺癌预测模型的特征，这些数据能有效降低胸腺癌误诊的机率。