1. 開發(fā)和驗證具有基于血液的數(shù)字生物標志物的機器學習模型，用于阿爾茨海默病診斷：一項多隊列診斷研究

Development and validation of machine learning models with blood-based digital biomarkers for Alzheimer’s disease diagnosis: a multicohort diagnostic study

(1) 背景：阿爾茨海默?。ˋD）涉及生物通路的復雜改變，因此全面的血液生物標志物對于準確和早期診斷至關重要。然而，使用基于血液的生物標志物的方法的成本效益和操作復雜性極大地限制了其在臨床實踐中的可用性。

(2) 解釋：ATR-FTIR（衰減全反射-傅里葉變換紅外）等離子體光譜特征可以識別與AD相關的病理變化。這些光譜特征作為數(shù)字生物標志物，為AD的早期篩查和診斷提供有價值的支持。

2. 人工智能增強心電圖識別性別相關心血管風險連續(xù)體：一項回顧性隊列研究

Artificial intelligence-enhanced electrocardiography for the identification of a sex-related cardiovascular risk continuum: a retrospective cohort study

(1) 背景：在心血管醫(yī)學中，女性通常得不到充分的服務。使用性別作為風險分層的二分變量無法捕捉到每種性別中風險的異質(zhì)性。我們旨在開發(fā)一種人工智能增強心電圖（AI-ECG）模型來研究性別特異性心血管風險。

(2) 解釋：性別不一致評分是一種新型AI-ECG生物標志物，能夠識別心血管風險不成比例升高的女性。AI-ECG有可能識別可能從增強的危險因素改變或監(jiān)測中受益的女性患者。

1. 用于胎心宮縮監(jiān)圖解釋的深度學習模型的開發(fā)和評估

Development and evaluation of deep learning models for cardiotocography interpretation

(1) 目的：使用已發(fā)布的卷積神經(jīng)網(wǎng)絡（CNN），我們從CTG記錄中預測胎兒受損，包括預處理和超參數(shù)調(diào)整。

(2) 結論：訓練信號間隔與結果測量的時間保持一致表現(xiàn)出卓越的性能，與間歇性CTG測量場景特別相關。

2. 使用可變形注意力和顯著性映射進行自動多類MRI腦腫瘤分類和分割

Automated multi-class MRI brain tumor classification and segmentation using deformable attention and saliency mapping

(1) 目的：本研究引入了一種自動分類和分割腦腫瘤的新方法，旨在提高診斷的準確性和效率。

(2) 結論：本研究為醫(yī)學成像中腦腫瘤的自動分類和分割提供了一種非常有前途的方法，為診斷成像診所提供了重大進步，并為更高效、更準確和可擴展的腫瘤檢測方法鋪平了道路。

3. 使用機器學習模型對妊娠糖尿病產(chǎn)后血脂異常進行早期預測

Early prediction of postpartum dyslipidemia in gestational diabetes using machine learning models

(1) 目的：本研究旨在開發(fā)一個基于機器學習的模型，以使用妊娠早期臨床數(shù)據(jù)預測產(chǎn)后血脂異常，并通過內(nèi)部和時間驗證評估該模型的穩(wěn)健性。

(2) 結論：基于極端梯度提升（XGB)的妊娠糖尿病產(chǎn)后血脂異常預測模型在內(nèi)部和外部驗證中都顯示出強大且一致的性能。通過引入新變量，該模型可以識別懷孕早期的高危人群，支持早期干預，并可能改善妊娠結局和減少并發(fā)癥。

4. 通過可解釋機器學習的局部晚期直腸癌淋巴結陰性對數(shù)幾率的預后模型

Prognostic model for log odds of negative lymph node in locally advanced rectal cancer via interpretable machine learning

(1) 目的：旨在評估淋巴結陰性/T分期（LONT）的預后價值，并開發(fā)一個機器學習模型來預測接受新輔助放化療（nCRT）治療的局部晚期直腸癌 （LARC）患者的總生存期（OS）和無病生存期（DFS）。

(2) 結論：該研究開發(fā)了一個極端梯度提升（XGB）模型，利用LONT來預測接受nCRT的LARC 患者的OS和DFS。并構建了一個在線網(wǎng)絡計算器，以促進模型的泛化并增強醫(yī)生的決策。

5. 兒童川崎病的可解釋機器學習輔助診斷模型

An interpretable machine learning-assisted diagnostic model for Kawasaki disease in children

(1) 目的：川崎病（KD）是一種常見于兒童的急性系統(tǒng)性血管炎綜合征。由于其發(fā)病機制不明確且缺乏特異性診斷標志物，它容易與其他表現(xiàn)出相似癥狀的疾病混淆，從而難以早期和準確診斷。本研究旨在開發(fā)一種可解釋的KD機器學習診斷模型。

(2) 結論：該模型的可解釋性提高了模型的透明度，有助于臨床醫(yī)生理解預測的可靠性。

6. 利用swin transformer和深度學習模型集成，使用陰道鏡圖像進行宮頸癌篩查

Leveraging swin transformer with ensemble of deep learning model for cervical cancer screening using colposcopy images

(1) 目的：本研究提出了一種利用Swin Transformer（ST）與用于宮頸癌篩查的深度學習模型集成（LSTEDL-CCS）技術進行陰道鏡檢查圖像。提出的LSTEDL-CCS技術旨在檢測和分類陰道鏡圖像上的宮頸癌（CC）。

(2) 結論：LSTEDL-CCS方法的性能驗證表明，與現(xiàn)有模型相比，其準確率高達99.44%。

7. 利用深度神經(jīng)網(wǎng)絡和語言模型預測精神分裂癥的長期住院風險

Leveraging deep neural network and language models for predicting long-term hospitalization risk in schizophrenia

(1) 目的：精神分裂癥（SCZ）患者入院時長期住院的早期預警對于有效的資源分配和個體治療計劃至關重要。在這項研究中，我們開發(fā)了一個深度學習模型，該模型整合了從入院開始的人口統(tǒng)計學、行為和血液測試數(shù)據(jù)，以使用回顧性隊列預測延長的住院時間。

(2) 結論：本研究證明了整合不同數(shù)據(jù)類型以提高心理健康護理預測準確性的潛力，為SCZ管理的早期干預和個性化治療提供了強大的框架。