1.預(yù)測急診科兒科肺炎的嚴(yán)重程度：兒科急診研究網(wǎng)絡(luò)的多國前瞻性隊(duì)列研究

Predicting paediatric pneumonia severity in the emergency department: a multinational prospective cohort study of the Pediatric Emergency Research Network

(1)背景：在資源豐富的地區(qū)，用于兒科社區(qū)獲得性肺炎（CAP）的風(fēng)險(xiǎn)分層工具很少。前瞻性地開發(fā)了模型來預(yù)測兒科急診科（EDs）跨國隊(duì)列中的CAP嚴(yán)重程度。主要目標(biāo)是開發(fā)一個(gè)風(fēng)險(xiǎn)預(yù)測模型來區(qū)分輕度CAP和中度或重度CAP，以幫助臨床醫(yī)生確定住院需求。

(2)解釋：在CAP兒童中開發(fā)了準(zhǔn)確、實(shí)用的嚴(yán)重性風(fēng)險(xiǎn)預(yù)測模型。在未來的外部驗(yàn)證之后，這些模型有可能提供個(gè)體化的風(fēng)險(xiǎn)評估，這些評估可以納入資源充足的衛(wèi)生系統(tǒng)的臨床判斷中，以改善管理。

 2.基于AI的CT心臟衰減掃描六組織體成分定量用于死亡率預(yù)測：一項(xiàng)多中心研究

AI-based volumetric six-tissue body composition quantification from CT cardiac attenuation scans for mortality prediction: a multicentre study

(1) 背景：CT衰減校正（CTAC）掃描通常在心臟灌注成像期間進(jìn)行，但目前僅用于衰減校正和視覺鈣估計(jì)。我們旨在開發(fā)一種基于人工智能（AI）的新型方法，以從CTAC掃描中獲得胸部身體成分的體積測量值，并評估這些措施的全因死亡風(fēng)險(xiǎn)分層。

(2)解釋：在心臟灌注成像期間常規(guī)獲得的CTAC掃描包含重要的體積體成分生物標(biāo)志物，這些生物標(biāo)志物可以自動測量并提供重要的附加預(yù)后價(jià)值。

 3.兒童急性淋巴細(xì)胞白血病的風(fēng)險(xiǎn)分層治療：一項(xiàng)來自印度的多中心觀察性研究

Risk stratified treatment for childhood acute lymphoblastic leukaemia: a multicentre observational study from India

(1)背景：高收入國家急性淋巴細(xì)胞白血病（ALL）兒童的總生存率接近90%。按照相同的方案治療，印度的結(jié)局約為65%。

(2)解釋：風(fēng)險(xiǎn)分層、定向、降低強(qiáng)度的治療和合作可減少治療死亡和復(fù)發(fā)?？缰行牡幕蚝蚆RD檢測標(biāo)準(zhǔn)化以及獲得高質(zhì)量藥物將進(jìn)一步提高生存率。

1.構(gòu)建由大型語言模型提供支持的統(tǒng)一藥物協(xié)同分析模型

Building a unified model for drug synergy analysis powered by large language models

(1)背景：在治療癌癥等復(fù)雜疾病時(shí)，藥物協(xié)同效應(yīng)預(yù)測對優(yōu)化聯(lián)合治療方案至關(guān)重要，但傳統(tǒng)方法面臨數(shù)據(jù)異質(zhì)性、模型通用性不足及藥物與細(xì)胞系特征表征不充分等挑戰(zhàn)。

(2)解釋：BAITSAO模型通過融合大型語言模型生成的上下文藥物/細(xì)胞系嵌入特征，結(jié)合多任務(wù)預(yù)訓(xùn)練框架和統(tǒng)一數(shù)據(jù)處理流程，顯著提升跨數(shù)據(jù)集協(xié)同預(yù)測能力，并擴(kuò)展至藥物發(fā)現(xiàn)及組合-基因互作分析等應(yīng)用場景。

2.通過基于圖像的全面循環(huán)血小板分析直接評估冠狀動脈疾病中的抗血小板治療

Direct evaluation of antiplatelet therapy in coronary artery disease by comprehensive image-based profiling of circulating platelets

(1)背景：冠狀動脈疾?。–AD）作為全球主要死亡原因，依賴抗血小板治療預(yù)防血栓并發(fā)癥，但傳統(tǒng)方法無法直接評估其療效與安全性，且存在出血風(fēng)險(xiǎn)增加的矛盾困境。

(2)解釋：基于深度學(xué)習(xí)的循環(huán)血小板圖像分析技術(shù)，通過檢測全血樣本中血小板聚集體濃度的動態(tài)變化（如急性/慢性冠脈綜合征差異及抗血小板藥物方案依賴性降低），揭示了靜脈血與動脈血中聚集體的一致性，為個(gè)性化抗血小板治療提供了直接、可靠的安全性及療效評估工具。

3.一種臨床適用的AI系統(tǒng)，用于使用CT掃描檢測和診斷骨轉(zhuǎn)移

A clinically applicable AI system for detection and diagnosis of bone metastases using CT scans

(1)背景：手動通過CT圖像檢測原發(fā)性癌癥骨轉(zhuǎn)移（BM）存在顯著挑戰(zhàn)，傳統(tǒng)方法依賴人工判讀且效率低，難以在非對比CT中精準(zhǔn)區(qū)分BM/非BM病灶，導(dǎo)致診斷敏感性和特異性不足。

(2)解釋：自動化骨病變檢測系統(tǒng)（BLDS）基于多中心2518名患者的CT數(shù)據(jù)開發(fā)，在非對比CT中實(shí)現(xiàn)89.1%的病變敏感性和92.3%分類準(zhǔn)確率，雖BM檢測靈敏度略低于資深放射科醫(yī)生，但顯著提升人工判讀效率（敏感性提高22.2%，閱讀時(shí)間縮短26.4%），并驗(yàn)證其臨床實(shí)用性（患者敏感性90.2%、陰性預(yù)測值98.2%），尤其為受訓(xùn)醫(yī)師提供高效輔助工具。