1.在美國(guó)，一項(xiàng)多中心研究開發(fā)并驗(yàn)證了一種機(jī)器學(xué)習(xí)模型，旨在減少循環(huán)死亡后肝移植捐獻(xiàn)中的無(wú)效獲取  11.13  The Lancet Digital Health

2.一種基于非侵入性磁共振成像的多模態(tài)融合深度學(xué)習(xí)模型（MF-DLM）預(yù)測(cè)膀胱癌患者總生存期：一項(xiàng)多中心回顧性研究  11.13  eClinicalMedicine

3.開發(fā)和驗(yàn)證基于多模態(tài) MRI 的深度學(xué)習(xí)框架，用于區(qū)分脊髓內(nèi)腫瘤 (ISMF-Net)  11.13  eClinicalMedicine

4.利用機(jī)器學(xué)習(xí)增強(qiáng)的氣體傳感器技術(shù)，通過(guò)血漿揮發(fā)性有機(jī)化合物模式識(shí)別各個(gè)階段的卵巢癌和子宮內(nèi)膜癌  11.13  eClinicalMedicine

5.ALSFRS-R 的動(dòng)態(tài)建模：利用神經(jīng)網(wǎng)絡(luò)從基于人群的評(píng)分中獲益  11.15  eClinicalMedicine

1.在美國(guó)，一項(xiàng)多中心研究開發(fā)并驗(yàn)證了一種機(jī)器學(xué)習(xí)模型，旨在減少循環(huán)死亡肝移植捐獻(xiàn)中的無(wú)效獲取

Development and validation of a machine-learning model to reduce futile procurements in donations after circulatory death in liver transplantation in the USA: a multicentre study

（1）背景：為了緩解日益嚴(yán)重的器官短缺問題，美國(guó)循環(huán)死亡捐獻(xiàn)（DCD）肝移植的數(shù)量顯著增加，但隨之而來(lái)的“無(wú)效獲取”率卻居高不下。然而，現(xiàn)有的預(yù)測(cè)工具（如DCD-N評(píng)分和科羅拉多計(jì)算器）已十余年未更新且缺乏大規(guī)模驗(yàn)證，臨床實(shí)踐仍主要依賴外科醫(yī)生的主觀判斷，其準(zhǔn)確性和一致性均存在明顯局限。

（2）解釋：本研究利用美國(guó)六家多中心2221名捐獻(xiàn)者的數(shù)據(jù)，開發(fā)并驗(yàn)證了一種基于LightGBM算法的機(jī)器學(xué)習(xí)模型，旨在精準(zhǔn)預(yù)測(cè)捐獻(xiàn)者撤管后的死亡進(jìn)程 。結(jié)果顯示，該模型在預(yù)測(cè)撤管后30、45及60分鐘內(nèi)死亡的準(zhǔn)確性（AUC）顯著優(yōu)于現(xiàn)有評(píng)分工具及外科醫(yī)生的判斷 。與人工決策相比，該模型能將無(wú)效獲取率降低約60%，且在處理缺失數(shù)據(jù)和適應(yīng)不同中心標(biāo)準(zhǔn)方面表現(xiàn)出極高的穩(wěn)定性與靈活性。

2.一種基于非侵入性磁共振成像的多模態(tài)融合深度學(xué)習(xí)模型（MF-DLM）預(yù)測(cè)膀胱癌患者總生存期：一項(xiàng)多中心回顧性研究

A non-invasive MRI-based multimodal fusion deep learning model (MF-DLM) for predicting overall survival in bladder cancer: a multicentre retrospective study

（1）背景：膀胱癌（BCa）的準(zhǔn)確預(yù)后評(píng)估對(duì)于制定個(gè)性化治療方案至關(guān)重要，但目前臨床主要依賴的TNM分期系統(tǒng)因無(wú)法充分反映腫瘤內(nèi)部的異質(zhì)性，導(dǎo)致同一分期患者的預(yù)后往往存在顯著差異。盡管MRI影像組學(xué)和深度學(xué)習(xí)在腫瘤評(píng)估中展現(xiàn)出潛力，但既往研究多局限于單一模態(tài)建模，忽視了深度學(xué)習(xí)特征、影像組學(xué)特征、形態(tài)學(xué)特征及臨床變量之間復(fù)雜的交互作用。為此，本研究利用大規(guī)模多中心回顧性隊(duì)列，旨在開發(fā)一種基于MRI的多模態(tài)融合深度學(xué)習(xí)模型（MF-DLM），通過(guò)交叉注意力機(jī)制整合上述多維數(shù)據(jù)，以實(shí)現(xiàn)對(duì)BCa患者總生存期（OS）的非侵入性精準(zhǔn)預(yù)測(cè)。

（2）解釋：研究表明，MF-DLM在預(yù)測(cè)BCa患者總生存期方面表現(xiàn)優(yōu)異，其準(zhǔn)確性顯著優(yōu)于傳統(tǒng)的病理T分期及單一模態(tài)模型，并能提供額外的預(yù)后分層信息 。該模型在指導(dǎo)臨床決策方面具有重要價(jià)值：它能識(shí)別出從圍手術(shù)期治療中獲益的群體，例如被歸為低風(fēng)險(xiǎn)的pT3/4期患者能從輔助治療中顯著獲益，而高風(fēng)險(xiǎn)患者則未能獲益；同樣，低風(fēng)險(xiǎn)患者在新輔助治療中即使未達(dá)到病理完全緩解也能獲得生存益處 。此外，模型的高風(fēng)險(xiǎn)評(píng)分與淋巴管侵犯、低腫瘤-間質(zhì)比等侵襲性病理特征高度相關(guān)，證實(shí)了MF-DLM不僅是可靠的預(yù)后工具，還能在細(xì)胞分子水平上反映腫瘤的生物學(xué)行為。

3.開發(fā)和驗(yàn)證基于多模態(tài) MRI 的深度學(xué)習(xí)框架，用于區(qū)分脊髓內(nèi)腫瘤 (ISMF-Net)

Development and validation of a multi-modal MRI-based deep learning framework for differentiation of intraspinal tumors (ISMF-Net)

（1）背景：椎管內(nèi)腫瘤（ISTs）因其解剖位置復(fù)雜且影像學(xué)特征重疊，給臨床診斷帶來(lái)了巨大挑戰(zhàn)，而目前的診斷標(biāo)準(zhǔn)主要依賴于具有侵入性風(fēng)險(xiǎn)的組織病理學(xué)活檢，雖然磁共振成像（MRI）作為主要的非侵入性工具提供了多序列的軟組織信息（如T1W、T2W和T2-FS），但單一序列往往難以全面捕捉病變的復(fù)雜特征，導(dǎo)致誤診風(fēng)險(xiǎn)較高。為了突破這些局限，本研究旨在開發(fā)并驗(yàn)證一種名為ISMF-Net的新型多模態(tài)深度學(xué)習(xí)框架，該框架創(chuàng)新性地整合了矢狀面和軸面MRI影像及患者臨床數(shù)據(jù)，旨在實(shí)現(xiàn)對(duì)五種主要椎管內(nèi)腫瘤（神經(jīng)鞘瘤、腦膜瘤、星形細(xì)胞瘤、室管膜瘤和轉(zhuǎn)移瘤）的精確五分類鑒別診斷。

（2）解釋：本研究提出的ISMF-Net模型通過(guò)引入動(dòng)態(tài)蛇形卷積（DSConv）及多階段特征融合模塊（包括序列級(jí)和平面級(jí)融合），成功地從多模態(tài)MRI中提取并整合了互補(bǔ)的診斷信息，在內(nèi)部和外部測(cè)試集中均展現(xiàn)了超越現(xiàn)有方法的穩(wěn)健性能，其在外部測(cè)試集上的微平均準(zhǔn)確率達(dá)到0.821，尤其在神經(jīng)鞘瘤和腦膜瘤的診斷上表現(xiàn)卓越 。觀察者研究表明，該模型的輔助能夠顯著提升各級(jí)放射科醫(yī)生的診斷效能，特別是初級(jí)醫(yī)生在準(zhǔn)確率和敏感性上分別提升了7.9%和20.1%，且模型生成的注意力熱圖（Heatmap）與醫(yī)生的診斷關(guān)注區(qū)域高度一致，驗(yàn)證了其可解釋性和臨床相關(guān)性。

4.利用機(jī)器學(xué)習(xí)增強(qiáng)的氣體傳感器技術(shù)，通過(guò)血漿揮發(fā)性有機(jī)化合物模式識(shí)別各個(gè)階段的卵巢癌和子宮內(nèi)膜癌

Machine learning-enhanced gas sensor technology identifies ovarian and endometrial cancer of all stages through plasma volatile organic compound patterns

（1） 背景：卵巢癌通常因癥狀非特異性而在晚期才被確診，導(dǎo)致患者存活率低，且目前的診斷工具（如CA125檢測(cè)和經(jīng)陰道超聲）在早期檢測(cè)中缺乏足夠的敏感性或特異性，無(wú)法滿足臨床快速、低成本篩查的需求。因此，本研究旨在利用這種先進(jìn)的氣體傳感器技術(shù)結(jié)合機(jī)器學(xué)習(xí)算法，通過(guò)分析術(shù)前血漿樣本中的VOCs模式，開發(fā)一種非侵入性的診斷工具，以區(qū)分健康人群與卵巢癌或子宮內(nèi)膜癌患者，并進(jìn)一步區(qū)分癌癥類型及分期。

（2） 解釋：該研究通過(guò)分析血漿釋放的揮發(fā)性有機(jī)化合物（VOCs），證明了結(jié)合機(jī)器學(xué)習(xí)的電子鼻技術(shù)在婦科癌癥診斷中具有極高的靈敏度和特異性 。研究利用32個(gè)傳感器對(duì)血漿樣本進(jìn)行檢測(cè)，并通過(guò)集成機(jī)器學(xué)習(xí)模型（Boosting ensemble）和多數(shù)投票算法處理數(shù)據(jù)，結(jié)果顯示該方法在樣本層面上能100%正確識(shí)別所有卵巢癌（包括交界性腫瘤）和子宮內(nèi)膜癌患者，同時(shí)準(zhǔn)確排除所有健康對(duì)照組，無(wú)一誤診 。此外，該級(jí)聯(lián)算法不僅能準(zhǔn)確區(qū)分卵巢癌與子宮內(nèi)膜癌，還能高效地進(jìn)行癌癥分期，其中區(qū)分I期與II-IV期癌癥的準(zhǔn)確率極高（卵巢癌分期準(zhǔn)確率約為98%，子宮內(nèi)膜癌為100%），這一表現(xiàn)優(yōu)于目前的臨床生物標(biāo)志物。

5.ALSFRS-R 的動(dòng)態(tài)建模：利用神經(jīng)網(wǎng)絡(luò)從基于人群的評(píng)分中獲益

Dynamic modelling of the ALSFRS-R: leveraging population-based scores using neural networks

（1）背景：肌萎縮側(cè)索硬化癥（ALS）是一種進(jìn)展迅速且異質(zhì)性極高的神經(jīng)退行性疾病，目前臨床試驗(yàn)和疾病監(jiān)測(cè)主要依賴修訂版ALS功能評(píng)定量表（ALSFRS-R）作為核心評(píng)估工具 。然而，由于ALS患者的疾病進(jìn)展軌跡差異巨大（如非線性下降或平臺(tái)期），且真實(shí)世界中的評(píng)分?jǐn)?shù)據(jù)往往稀疏且采集時(shí)間間隔不規(guī)則，傳統(tǒng)的線性統(tǒng)計(jì)模型難以準(zhǔn)確捕捉這些復(fù)雜的疾病模式 。為了解決這一難題，本研究利用了目前最大的基于人群的泛歐洲縱向數(shù)據(jù)集（PRECISION-ALS），旨在開發(fā)一種全連接神經(jīng)網(wǎng)絡(luò)（FCNN）模型 。該研究試圖通過(guò)機(jī)器學(xué)習(xí)方法，從有限的歷史數(shù)據(jù)點(diǎn)中學(xué)習(xí)復(fù)雜的時(shí)間依賴性，從而為個(gè)體患者提供精準(zhǔn)的短期病情軌跡預(yù)測(cè)，填補(bǔ)真實(shí)世界數(shù)據(jù)分析與臨床決策支持之間的空白。

（2）解釋：本研究結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)的短周期預(yù)測(cè)模型能夠有效克服數(shù)據(jù)稀疏和不規(guī)則的限制，為ALS患者提供具有臨床解釋力的個(gè)體化預(yù)測(cè) 。模型在PRECISION-ALS測(cè)試集上的平均絕對(duì)誤差（MAE）僅為2.65分，且在外部數(shù)據(jù)集PROACT上表現(xiàn)出優(yōu)異的泛化能力（MAE為2.33分），其準(zhǔn)確性顯著優(yōu)于傳統(tǒng)的線性外推法 。重要的是，該模型的預(yù)測(cè)性能在不同性別、基因型、起病部位及疾病階段等臨床變量中保持高度穩(wěn)定，并未受到常見人口統(tǒng)計(jì)學(xué)特征的干擾 。在臨床應(yīng)用層面，該工具提供了一個(gè)基于自然病史的客觀基準(zhǔn)：通過(guò)對(duì)比患者實(shí)際評(píng)分與模型預(yù)測(cè)值的偏差，醫(yī)生和數(shù)據(jù)監(jiān)測(cè)委員會(huì)可以快速識(shí)別出病情進(jìn)展異常（如超預(yù)期的快速惡化或穩(wěn)定）的個(gè)體 。