1.超聲心動圖中三尖瓣反流的自動深度學習表型  4.16  JAMA Cardiology

2.人工智能通過單導聯(lián)心電圖預測心力衰竭風險  4.16  JAMA Cardiology

3.缺血性中風或腦出血年輕人中風后癲癇的風險  4.14  JAMA Neurology 

1.基于深度學習的臨床乳腺超聲圖像預測乳腺 X 線攝影乳腺密度的回顧性分析  4.18  The Lancet Regional Health

1.DIA-BERT：用于增強 DIA 蛋白質組學數(shù)據(jù)分析的預訓練端到端 transformer 模型  4.14  Nature Communications

2.機器學習中心特定模型顯示，與基于美國國家登記處的模型相比，IVF 活產預測有所改善  4.17  Nature Communications

3.多參數(shù) MRI 乳腺癌無創(chuàng)和個性化管理的大型模型  4.17  Nature Communications

4.通過深度強化學習識別透明細胞腎細胞癌的潛在風險基因  4.15  Nature Communications

1.超聲心動圖中三尖瓣反流的自動深度學習表型

Automated Deep Learning Phenotyping of Tricuspid Regurgitation in Echocardiography

(1)目的：設計深度學習計算機視覺工作流程，用于識別彩色多普勒超聲心動圖視頻并表征三尖瓣反流（TR）嚴重程度。

(2)結論：在這項研究中，開發(fā)了一個自動化管道來識別具有臨床意義的TR，且性能優(yōu)異。借助開源代碼和權重，該項目可以作為未來對超聲心動圖中人工智能輔助工作流程進行前瞻性評估的基礎。 

2.人工智能通過單導聯(lián)心電圖預測心力衰竭風險

Artificial Intelligence–Enabled Prediction of Heart Failure Risk From Single-Lead Electrocardiograms

(1)目的：評估人工智能（AI）算法是否可以從嘈雜的單導聯(lián)心電圖預測心力衰竭（HF）風險。

(2)結論：在跨國隊列中，噪聲適應的AI-ECG模型（模擬來自可穿戴設備的心電圖信號）使用導聯(lián)I心電圖估計了HF風險，表明存在潛在的HF風險分層策略，需要使用可穿戴和便攜式心電圖設備進行前瞻性研究。 

3.缺血性中風或腦出血年輕人中風后癲癇的風險

Risk of Poststroke Epilepsy Among Young Adults With Ischemic Stroke or Intracerebral Hemorrhage

(1)目的：調查年輕時中風后癲癇（PSE）的風險和風險因素，并驗證一組年輕人的當前PSE風險評分。

(2)結論：這項研究表明，年輕人患PSE的風險相對較低，并且與PSE相關的因素與現(xiàn)有風險評分中包含的變量相似，因此也適用于中風后的年輕人。未來的臨床試驗應調查高?；颊叩淖罴岩患壓投夘A防。

1.基于深度學習的臨床乳腺超聲圖像預測乳腺X線攝影乳腺密度的回顧性分析

Prediction of mammographic breast density based on clinical breast ultrasound images using deep learning: a retrospective analysis

(1)背景：乳腺密度，如從乳房X光圖像中得出并由乳房成像報告和數(shù)據(jù)系統(tǒng)（BI-RADS）定義的，是乳腺癌的最強風險因素之一。乳腺超聲是一種替代的乳腺癌篩查方式，在資源匱乏的農村環(huán)境中特別有用。迄今為止，乳腺超聲尚未用于為需要乳腺密度的風險模型提供信息。本研究的目的是探索使用人工智能（AI）從臨床乳腺超聲成像中預測BI-RADS乳腺密度類別。

(2)解釋：BI-RADS乳腺密度可以通過乳腺超聲成像高精度地估計。AI模型提供了優(yōu)于其他機器學習方法的估計值。此外，我們證明，年齡調整的、AI衍生的乳腺超聲乳腺密度與我們人群中的乳腺X線攝影乳腺密度具有相似的預測能力。通過超聲估計的乳腺密度可能有助于在可能無法進行乳腺X線攝影的區(qū)域進行乳腺癌風險評估。

1.DIA-BERT：用于增強DIA蛋白質組學數(shù)據(jù)分析的預訓練端到端transformer模型

DIA-BERT: pre-trained end-to-end transformer models for enhanced DIA proteomics data analysis

(1)摘要：數(shù)據(jù)非依賴型采集質譜法（DIA-MS）在定量蛋白質組學中變得越來越重要。在這項研究中，我們提出了DIA-BERT，這是一種軟件工具，它利用基于transformer的預訓練人工智能（AI）模型來分析DIA蛋白質組學數(shù)據(jù)。鑒定模型使用從現(xiàn)有DIA-MS文件中提取的超過2.76億個高質量肽前體進行訓練，而定量模型使用合成DIA-MS文件中的3400萬個肽前體進行訓練。與DIA-NN相比，DIA-BERT在五組人類癌癥樣品組（宮頸癌、胰腺癌、肌肉瘤、膽囊癌和胃癌）中表現(xiàn)出蛋白質鑒定率平均增加51%，肽前體增加22%，實現(xiàn)了高定量準確性。本研究強調了利用預先訓練的模型和合成數(shù)據(jù)集來增強DIA蛋白質組學分析的潛力。

 2.機器學習中心特定模型顯示，與基于美國國家登記處的模型相比，IVF活產預測有所改善

Machine learning center-specific models show improved IVF live birth predictions over US national registry-based model

(1)摘要：擴大體外受精（IVF）的可及性需要通過成本成功的透明度來改善患者咨詢和可負擔性。臨床醫(yī)生詢問兩種類型的活產預測（LBP）模型的性能如何：機器學習、中心特異性（MLCS）模型和輔助生殖技術協(xié)會（SART）生成的基于美國國家登記處的多中心模型。在一項回顧性模型驗證研究中，我們使用來自6個中心的4635名患者的首次IVF周期數(shù)據(jù)測試了MLCS的性能是否優(yōu)于SART。與SART相比，MLCS顯著提高了總體假陽性和假陰性的最小化（曲線下精確召回區(qū)域）和50%LBP閾值（F1評分）（p < 0.05）。為了結合背景，MLCS更適當?shù)貙⑺谢颊叩?3%和11%分配給LBP≥ 50%，LBP≥ 75%，而SART給出的LBP較低。在這里，我們展示了MLCS改進了與臨床效用相關的模型指標——個性化預后咨詢和成本成功透明度——并得到了外部驗證。我們建議在更大的生育中心樣本中評估MLCS。

 3.多參數(shù)MRI乳腺癌無創(chuàng)和個性化管理的大型模型

A large model for non-invasive and personalized management of breast cancer from multiparametric MRI

(1)摘要:乳腺磁共振成像（MRI）在成像方式中顯示出對乳腺癌檢測的最高靈敏度，是高危女性的標準做法。解釋多序列MRI非常耗時且容易出現(xiàn)主觀變化。我們開發(fā)了一個大型模態(tài)專家混合模型（MOME），該模型將多參數(shù)MRI信息整合到一個統(tǒng)一的結構中，利用來自中國5205名女性患者的乳腺MRI掃描進行模型開發(fā)和驗證。MOME與四名高級放射科醫(yī)生在識別乳腺癌方面的表現(xiàn)相當，并且優(yōu)于一名初級放射科醫(yī)生。該模型能夠減少乳腺成像報告和數(shù)據(jù)系統(tǒng)（BI-RADS）4患者中不必要的活檢，對三陰性乳腺癌進行分類，并預測對新輔助化療的病理完全反應。MOME進一步支持對缺失模態(tài)的推理，并通過突出顯示病變和測量模態(tài)貢獻來提供決策解釋?？偠灾?，MOME舉例說明了一種準確而強大的多模態(tài)模型，用于通過多參數(shù)MRI對乳腺癌患者進行無創(chuàng)、個性化管理。

 4.通過深度強化學習識別透明細胞腎細胞癌的潛在風險基因

Identifying potential risk genes for clear cell renal cell carcinoma with deep reinforcement learning

(1)摘要:透明細胞腎細胞癌（ccRCC）是最常見的腎細胞癌類型。然而，我們對ccRCC風險基因的理解仍然有限。這種知識差距對ccRCC的有效診斷和治療構成了挑戰(zhàn)。為了解決這個問題，我們提出了一種名為RL-GenRisk（Reinforcement Learning-based GENe RISK）的基于深度強化學習的計算方法來識別ccRCC風險基因。與傳統(tǒng)的監(jiān)督模型不同，RL-GenRisk將ccRCC風險基因的識別構建為馬爾可夫決策過程，結合圖卷積網(wǎng)絡和深度Q網(wǎng)絡進行風險基因識別。此外，提出了一種設計良好的數(shù)據(jù)驅動獎勵，以減輕稀缺已知風險基因的限制。評估表明，RL-GenRisk在 ccRCC風險基因鑒定方面優(yōu)于現(xiàn)有方法。此外，RL-GenRisk鑒定了8個潛在的ccRCC風險基因。我們成功驗證了表皮生長因子受體（EGFR）和短笛突觸前細胞基質蛋白（PCLO），并通過獨立數(shù)據(jù)集和生物實驗得到證實。這種方法將來也可能用于其他疾病。