JAMA Network  2025/02/10-2025/02/16

THE LANCET  2025/02/10-2025/02/16

Nature  2025/02/10-2025/02/16

1. 使用血液生物標(biāo)志物檢測(cè)阿爾茨海默病和非阿爾茨海默病臨床綜合征中的阿爾茨海默病神經(jīng)病理學(xué)

Detection of Alzheimer Neuropathology in Alzheimer and Non-Alzheimer Clinical Syndromes With Blood-Based Biomarkers

（1）目的：該文章旨在評(píng)估血漿磷酸化tau217（p-tau217）、膠質(zhì)纖維酸性蛋白（GFAP）和神經(jīng)絲輕鏈（NfL）等血液生物標(biāo)志物在檢測(cè)阿爾茨海默?。ˋD）中的臨床價(jià)值，特別是在不同神經(jīng)退行性疾病綜合征中的應(yīng)用。

（2）結(jié)論：研究發(fā)現(xiàn)，p-tau217在檢測(cè)AD方面表現(xiàn)出較高的準(zhǔn)確性，不僅在典型的與AD相關(guān)的臨床綜合征中有效，而且在通常與額顳葉變性（FTLD）神經(jīng)病理相關(guān)的臨床綜合征中也能檢測(cè)到AD。

2. 鋰治療雙相情感障礙以及甲狀腺功能障礙和慢性腎病的風(fēng)險(xiǎn)

Lithium for Bipolar Disorder and Risk of Thyroid Dysfunction and Chronic Kidney Disease

（1）目的：該文章旨在探討鋰治療雙相情感障礙患者的療效，并評(píng)估其導(dǎo)致甲狀腺功能障礙和慢性腎病的風(fēng)險(xiǎn)。

（2）結(jié)論：研究發(fā)現(xiàn)，鋰治療雙相情感障礙患者雖然有效，但顯著增加了患者患甲狀腺功能減退癥的風(fēng)險(xiǎn)，同時(shí)也提升了慢性腎病的發(fā)生率。

3. 30 天兒科醫(yī)院再入院風(fēng)險(xiǎn)預(yù)測(cè)模型的驗(yàn)證

Validation of 30-Day Pediatric Hospital Readmission Risk Prediction Models

（1）目的：文章旨在通過(guò)對(duì)一套再入院風(fēng)險(xiǎn)預(yù)測(cè)模型在48家兒童醫(yī)院中的時(shí)間和外部驗(yàn)證，評(píng)估這些模型的可推廣性和未來(lái)臨床實(shí)施的可行性。

（2）結(jié)論：研究結(jié)果顯示，隨著時(shí)間的推移，再入院風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性有所降低，且在不同醫(yī)院中的表現(xiàn)存在差異性。

1. 美托洛爾治療兒童血管迷走性暈厥療效的多變量預(yù)測(cè)模型：一項(xiàng)多中心研究

Multivariate predictive model of the therapeutic effects of metoprolol in paediatric vasovagal syncope: a multi-centre study

（1）背景：血管迷走性暈厥（VVS）是兒童暈厥的主要原因，顯著影響患者的生活質(zhì)量。本研究旨在開(kāi)發(fā)預(yù)測(cè)模型，利用多種臨床和生理標(biāo)志物來(lái)更好地識(shí)別哪些VVS兒童最可能從美托洛爾治療中獲益，并驗(yàn)證這些模型在臨床環(huán)境中的實(shí)用價(jià)值。

（2）解釋：研究建立了一個(gè)預(yù)測(cè)美托洛爾在兒童VVS中有效性的列線圖，其曲線下面積（AUC）較高，表明預(yù)測(cè)準(zhǔn)確性高。此外，研究還發(fā)現(xiàn)，與無(wú)應(yīng)答者相比，應(yīng)答者組的QTd和QTcd值更高，而SDNN降低的患兒對(duì)美托洛爾治療的反應(yīng)更好。

2. 心血管風(fēng)險(xiǎn)預(yù)測(cè)：在巴西社區(qū)隊(duì)列 PURE 研究中對(duì)非實(shí)驗(yàn)室評(píng)分和實(shí)驗(yàn)室評(píng)分進(jìn)行驗(yàn)證

Prediction of cardiovascular risk: validation of a non-laboratory and a laboratory-based score in a Brazilian community-based cohort of the PURE study

（1）背景：本研究基于PURE研究的巴西隊(duì)列數(shù)據(jù)，旨在驗(yàn)證兩種心血管風(fēng)險(xiǎn)評(píng)分——非實(shí)驗(yàn)室INTERHEART風(fēng)險(xiǎn)評(píng)分（NL-IHRS）和實(shí)驗(yàn)室空腹膽固醇INTERHEART風(fēng)險(xiǎn)評(píng)分（FC-IHRS）的預(yù)測(cè)性能。

（2）解釋：研究結(jié)果顯示，NL-IHRS和FC-IHRS在預(yù)測(cè)長(zhǎng)期主要心血管事件風(fēng)險(xiǎn)方面均表現(xiàn)出合理的判別準(zhǔn)確性。此外，研究還發(fā)現(xiàn)，隨著心血管風(fēng)險(xiǎn)評(píng)分的增加，心血管事件的年發(fā)生率也逐漸上升。

3. 對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行多中心驗(yàn)證，以預(yù)測(cè)出院后 48 小時(shí)內(nèi)重癥監(jiān)護(hù)病房再入院情況

Multicenter validation of a machine learning model to predict intensive care unit readmission within 48 hours after discharge

（1）背景：本研究旨在開(kāi)發(fā)一種可解釋的機(jī)器學(xué)習(xí)模型iREAD，用于預(yù)測(cè)患者在ICU出院后48小時(shí)內(nèi)的再入院風(fēng)險(xiǎn)，并通過(guò)多中心外部驗(yàn)證評(píng)估其泛化能力。

（2）解釋：文章介紹了一種基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型iREAD，該模型能夠準(zhǔn)確預(yù)測(cè)患者在ICU出院后48小時(shí)內(nèi)的再入院風(fēng)險(xiǎn)。

4. 基于超聲的可解釋機(jī)器學(xué)習(xí)模型的開(kāi)發(fā)和驗(yàn)證，用于對(duì)小于等于3 cm 肝細(xì)胞癌進(jìn)行分類：一項(xiàng)多中心回顧性診斷研究

Development and validation of an ultrasound-based interpretable machine learning model for the classification of ≤3 cm hepatocellular carcinoma: a multicentre retrospective diagnostic study

（1）背景：研究者致力于開(kāi)發(fā)一種基于超聲圖像的可解釋機(jī)器學(xué)習(xí)模型，旨在輔助醫(yī)生進(jìn)行更精準(zhǔn)的診斷。

（2）解釋：研究結(jié)果顯示，該模型在診斷小肝癌方面具有較高的準(zhǔn)確性和可解釋性，有望為臨床醫(yī)生提供一種更為可靠和高效的診斷工具，從而改善患者的管理和治療結(jié)果。

5. 基于定量血管特征的多源性惡性頸部淋巴結(jié)腫大多模態(tài)預(yù)測(cè)模型

Quantitative vascular feature-based multimodality prediction model for multi-origin malignant cervical lymphadenopathy

（1）背景：旨在通過(guò)整合定量血管特征、超聲、放射組學(xué)等多種模態(tài)的數(shù)據(jù)，開(kāi)發(fā)一個(gè)能夠預(yù)測(cè)多源性惡性頸部淋巴結(jié)腫大的多模態(tài)預(yù)測(cè)模型。

（2）解釋：研究結(jié)果顯示，該多模態(tài)預(yù)測(cè)模型在區(qū)分良惡性淋巴結(jié)腫大方面具有較高的準(zhǔn)確性和穩(wěn)定性。

6. 基于疾病相關(guān) B 細(xì)胞亞群的慢性移植物抗宿主病進(jìn)展的動(dòng)態(tài)預(yù)測(cè)模型：一項(xiàng)多中心前瞻性研究

Dynamic forecasting module for chronic graft-versus-host disease progression based on a disease-associated subpopulation of B cells: a multicenter prospective study

（1）背景：本研究旨在通過(guò)深入分析B細(xì)胞與cGVHD進(jìn)展的關(guān)系，為cGVHD的預(yù)測(cè)和管理提供新的解決方案。

（2）解釋：本研究通過(guò)結(jié)合光譜流式細(xì)胞術(shù)和先進(jìn)的機(jī)器學(xué)習(xí)算法，系統(tǒng)分析了B細(xì)胞與cGVHD進(jìn)展之間的關(guān)系。

7. 機(jī)器學(xué)習(xí)預(yù)測(cè)美洲印第安人和阿拉斯加原住民的癡呆癥：一項(xiàng)回顧性隊(duì)列研究

Machine learning to predict dementia for American Indian and Alaska native peoples: a retrospective cohort study

（1）背景：本研究旨在利用機(jī)器學(xué)習(xí)算法，基于AI/AN人群的電子健康記錄數(shù)據(jù)，開(kāi)發(fā)一個(gè)兩年期的癡呆癥風(fēng)險(xiǎn)預(yù)測(cè)模型。

（2）解釋：研究采用了四種機(jī)器學(xué)習(xí)算法（LASSO、Ridge、Elastic Net和XGBoost）來(lái)開(kāi)發(fā)預(yù)測(cè)模型，并通過(guò)內(nèi)部驗(yàn)證評(píng)估了模型的性能。強(qiáng)調(diào)了為AI/AN人群開(kāi)發(fā)癡呆癥風(fēng)險(xiǎn)預(yù)測(cè)模型的重要性，并為該群體提供了更個(gè)性化的癡呆癥風(fēng)險(xiǎn)評(píng)估方法，有助于改善癡呆癥的早期識(shí)別和干預(yù)。

8. 基于機(jī)器學(xué)習(xí)的首發(fā)雙相情感障礙死亡風(fēng)險(xiǎn)評(píng)估：一項(xiàng)跨診斷外部驗(yàn)證研究

Machine learning-based mortality risk assessment in first-episode bipolar disorder: a transdiagnostic external validation study

（1）背景：本研究通過(guò)一項(xiàng)跨診斷外部驗(yàn)證研究，評(píng)估了MIRACLE-FEP模型在預(yù)測(cè)首發(fā)雙相情感障礙患者長(zhǎng)期死亡風(fēng)險(xiǎn)中的有效性和可靠性。

（2）解釋：研究結(jié)果顯示，MIRACLE-FEP模型在兩個(gè)獨(dú)立的隊(duì)列中均表現(xiàn)出良好的預(yù)測(cè)性能。

9. 使用多模態(tài)內(nèi)窺鏡數(shù)據(jù)進(jìn)行實(shí)時(shí)人工智能輔助鼻咽癌檢測(cè)和分割：一項(xiàng)多中心、前瞻性研究

Real-time artificial intelligence-assisted detection and segmentation of nasopharyngeal carcinoma using multimodal endoscopic data: a multi-center, prospective study

（1）背景：本研究旨在開(kāi)發(fā)和驗(yàn)證一個(gè)AI輔助系統(tǒng)，利用白光成像（WLI）和窄帶成像（NBI）內(nèi)窺鏡模態(tài)，實(shí)現(xiàn)鼻咽癌的實(shí)時(shí)檢測(cè)和分割。

（2）解釋：本研究在多家三級(jí)醫(yī)院進(jìn)行，通過(guò)前瞻性收集實(shí)時(shí)鼻內(nèi)窺鏡視頻數(shù)據(jù)，開(kāi)發(fā)了NPC-SDNet模型。通過(guò)內(nèi)部和外部測(cè)試，NPC-SDNet表現(xiàn)出了高精確度、準(zhǔn)確度和敏感性。

1. 人工智能直接向醫(yī)生報(bào)告動(dòng)態(tài)心電圖

Artificial intelligence for direct-to-physician reporting of ambulatory electrocardiography

（1）介紹：研究者開(kāi)發(fā)了一種名為DeepRhythmAI的人工智能模型，旨在自動(dòng)分析動(dòng)態(tài)心電圖數(shù)據(jù)，并直接向醫(yī)生報(bào)告結(jié)果。該模型的設(shè)計(jì)目標(biāo)是減少假陽(yáng)性和假陰性診斷，提高診斷的準(zhǔn)確性，并降低醫(yī)療成本，從而改善需要ECG監(jiān)測(cè)患者的護(hù)理質(zhì)量和結(jié)果。

（2）結(jié)果：研究結(jié)果顯示，DeepRhythmAI模型在直接向醫(yī)生報(bào)告動(dòng)態(tài)心電圖數(shù)據(jù)方面表現(xiàn)優(yōu)異。與技術(shù)人員的手動(dòng)分析相比，AI模型在識(shí)別關(guān)鍵心律失常方面展現(xiàn)出了高準(zhǔn)確性和一致性，特別是在檢測(cè)房顫（AF）≥30秒等關(guān)鍵指標(biāo)時(shí)，表現(xiàn)尤為突出。

2. 用于肺癌篩查的醫(yī)學(xué)多模態(tài)多任務(wù)基礎(chǔ)模型

Medical multimodal multitask foundation model for lung cancer screening

（1）介紹：本文介紹了一種用于肺癌篩查的醫(yī)學(xué)多模態(tài)多任務(wù)基礎(chǔ)模型(M3FM)，旨在通過(guò)結(jié)合多種數(shù)據(jù)模式（如影像和文本）來(lái)提升肺癌篩查的準(zhǔn)確性與效率。

（2）結(jié)果：研究開(kāi)發(fā)并驗(yàn)證了一個(gè)基于大規(guī)模圖像-文本模型的CT多任務(wù)學(xué)習(xí)框架。實(shí)驗(yàn)結(jié)果表明，M3FM模型在多項(xiàng)任務(wù)中表現(xiàn)出色，包括但不限于肺結(jié)節(jié)檢測(cè)和免疫治療引起的肺炎預(yù)測(cè)。

3. 通過(guò)產(chǎn)前無(wú)細(xì)胞 DNA 篩查預(yù)測(cè)先兆子癇風(fēng)險(xiǎn)

Preeclampsia risk prediction from prenatal cell-free DNA screening

（1）介紹：研究團(tuán)隊(duì)旨在開(kāi)發(fā)一種能無(wú)縫融入常規(guī)實(shí)踐的工具，以顯著降低先兆子癇的廣泛不良后遺癥。

（2）結(jié)果：研究結(jié)果顯示，研究團(tuán)隊(duì)通過(guò)從華盛頓大學(xué)獲得的樣本數(shù)據(jù)，開(kāi)發(fā)了一個(gè)框架，能夠準(zhǔn)確量化母體血漿中的組織貢獻(xiàn)，并在臨床癥狀出現(xiàn)前數(shù)月預(yù)測(cè)先兆子癇風(fēng)險(xiǎn)。結(jié)果表明，基于cfDNA核小體分析的方法可靠地預(yù)測(cè)了先兆子癇風(fēng)險(xiǎn)，可能為未來(lái)的臨床實(shí)踐提供一種新的工具。

4. 根據(jù)細(xì)胞 c-Fos 表達(dá)的全腦成像對(duì)迷幻藥和精神活性藥物進(jìn)行分類

Classification of psychedelics and psychoactive drugs based on brain-wide imaging of cellular c-Fos expression

（1）介紹：該研究利用了高通量的全腦成像技術(shù)，對(duì)多種迷幻藥和精神活性藥物引起的c-Fos表達(dá)進(jìn)行了全面分析。通過(guò)機(jī)器學(xué)習(xí)模型，研究旨在發(fā)現(xiàn)不同藥物引起的c-Fos表達(dá)模式的差異，從而為藥物分類和新型藥物的研發(fā)提供科學(xué)依據(jù)。

（2）結(jié)果：研究結(jié)果顯示，基于全腦成像的c-Fos表達(dá)分析可以準(zhǔn)確地區(qū)分不同藥物引起的神經(jīng)活動(dòng)模式。通過(guò)使用Shapley添加解釋法，研究確定了驅(qū)動(dòng)分類預(yù)測(cè)的關(guān)鍵腦區(qū)。研究還發(fā)現(xiàn)，一些經(jīng)典迷幻藥和精神活性藥物具有獨(dú)特的c-Fos表達(dá)模式，這些模式可以作為藥物分類的生物學(xué)標(biāo)志。此外，該研究還建立了一個(gè)包含多種藥物的分類模型，該模型在藥物分類任務(wù)中表現(xiàn)出了高準(zhǔn)確性和穩(wěn)定性。

5. 評(píng)估生成式人工智能中的規(guī)范表征學(xué)習(xí)，以實(shí)現(xiàn)腦成像中的穩(wěn)健異常檢測(cè)

Evaluating normative representation learning in generative AI for robust anomaly detection in brain imaging

（1）介紹：文章聚焦于生成式AI在醫(yī)學(xué)成像領(lǐng)域，尤其是腦成像異常檢測(cè)中的最新進(jìn)展。文章回顧了從自動(dòng)編碼器（AEs）到變分自動(dòng)編碼器（VAEs）再到生成對(duì)抗網(wǎng)絡(luò)（GANs）等技術(shù)的演進(jìn)，這些技術(shù)推動(dòng)了無(wú)監(jiān)督異常檢測(cè)（UAD）的發(fā)展。文章還闡述了如何通過(guò)壓縮或擴(kuò)散過(guò)程等技術(shù)實(shí)現(xiàn)規(guī)范表征學(xué)習(xí)，并強(qiáng)調(diào)了生成式AI在捕捉醫(yī)學(xué)圖像中“正?！睜顟B(tài)的微妙特征方面的創(chuàng)新。

（2）結(jié)果：結(jié)果表明，生成式AI模型在識(shí)別腦成像中的異常方面表現(xiàn)出色，特別是在處理高維數(shù)據(jù)和復(fù)雜解剖結(jié)構(gòu)時(shí)。此外，文章還討論了如何平衡圖像質(zhì)量和異常校正，以及減輕近零異常分?jǐn)?shù)對(duì)整體評(píng)估的影響?！?

6. 學(xué)習(xí)和運(yùn)用癌細(xì)胞藥物敏感性的一般原則

Learning and actioning general principles of cancer cell drug sensitivity

（1）介紹：該研究旨在通過(guò)大型癌癥細(xì)胞系藥物敏感性數(shù)據(jù)集，利用機(jī)器學(xué)習(xí)和大型語(yǔ)言模型（LLMs）來(lái)預(yù)測(cè)藥物反應(yīng)，并著重于模型的可解釋性和在患者數(shù)據(jù)上的應(yīng)用。本研究開(kāi)發(fā)了一個(gè)基于GDSC和PRISM數(shù)據(jù)集的機(jī)器學(xué)習(xí)算法，以增強(qiáng)模型的可解釋性，并促進(jìn)特征選擇。

（2）結(jié)果：研究結(jié)果顯示，該團(tuán)隊(duì)成功地開(kāi)發(fā)了一個(gè)可解釋的機(jī)器學(xué)習(xí)框架。研究發(fā)現(xiàn)，藥物敏感性模型能夠?qū)W習(xí)到藥物作用機(jī)制和細(xì)胞生存必需基因之間的相互作用，這對(duì)于預(yù)測(cè)藥物敏感性至關(guān)重要。