1. 通過統(tǒng)計學(xué)習(xí)識別和描述早產(chǎn)兒2歲時的神經(jīng)發(fā)育結(jié)果：使用英格蘭和威爾士的人口水平數(shù)據(jù)進行模型開發(fā)和驗證  06.17  EBioMedicine

2. 預(yù)測兒科重癥監(jiān)護病房的心血管惡化（PicEWS）：一項針對常規(guī)收集的醫(yī)療保健數(shù)據(jù)的機器學(xué)習(xí)建模研究  06.18  eClinicalMedicine

3. 人工智能輔助內(nèi)窺鏡圖像鼻咽癌檢測：一項全國性、多中心的模型開發(fā)和驗證研究  06.20  The Lancet Digital Health

1. stClinic 通過在動態(tài)圖表中整合空間多切片多組學(xué)數(shù)據(jù)來剖析臨床相關(guān)的領(lǐng)域  06.16  Nature Communications

1.通過統(tǒng)計學(xué)習(xí)識別和描述早產(chǎn)兒2歲時的神經(jīng)發(fā)育結(jié)果：使用英格蘭和威爾士的人口水平數(shù)據(jù)進行模型開發(fā)和驗證

Statistical learning to identify and characterise neurodevelopmental outcomes at 2 years in babies born preterm: model development and validation using population-level data from England and Wales

（1）背景：該研究的核心目的是應(yīng)用統(tǒng)計學(xué)習(xí)方法，特別是潛在類分析（LCA），來識別和表征早產(chǎn)兒在2歲校正年齡時的神經(jīng)發(fā)育結(jié)果，從而克服傳統(tǒng)專家定義分類的局限性。

（2）解釋：研究結(jié)論確認，通過潛在類分析成功識別并驗證了四個穩(wěn)健且可推廣的跨域神經(jīng)發(fā)育集群：通常發(fā)展（TD, 84.8%）、溝通障礙（COMM, 8.4%）、神經(jīng)運動障礙（NM, 4.1%）和多種神經(jīng)疾?。∕NM, 2.7%）。這些集群在威爾士獨立隊列中復(fù)制良好（平衡準確率93%），并具有高度臨床有效性，通過腦癱診斷、Bayley嬰兒發(fā)育量表（BSID-III）分數(shù)和醫(yī)療專業(yè)人員評估證實：TD集群在BSID-III中得分最高（約100），而MNM得分最低（約60），且NM和MNM集群均與腦癱高度相關(guān)（約80%患病率），但MNM以更嚴重的運動和多域障礙為特征。

 2.預(yù)測兒科重癥監(jiān)護病房的心血管惡化（PicEWS）：一項針對常規(guī)收集的醫(yī)療保健數(shù)據(jù)的機器學(xué)習(xí)建模研究

Predicting Cardiovascular deterioration in a paediatric intensive care unit (PicEWS): a machine learning modelling study of routinely collected health-care data

（1）背景：該研究旨在開發(fā)一個基于機器學(xué)習(xí)的兒科重癥監(jiān)護早期預(yù)警系統(tǒng)（PicEWS），用于預(yù)測兒科重癥監(jiān)護病房（PICU）中心血管惡化事件，從而克服現(xiàn)有臨床評分系統(tǒng)的局限性。

（2）解釋：研究證實PicEWS模型（基于XGBoost算法）在預(yù)測心血管惡化方面顯著優(yōu)于現(xiàn)有臨床標準，其AUROC達0.949和AUPRC達0.552，并以高召回率（90%）實現(xiàn)每真實警報少于兩次誤報的精度，遠優(yōu)于pSOFA（AUROC 0.715，AUPRC 0.150）。模型性能關(guān)鍵依賴于特征變異性（如血壓波動）和輸入頻率，而非單純依賴最新值或靜態(tài)評分；SHAP分析揭示血壓參數(shù)、COMFORT鎮(zhèn)靜評分及實驗室指標（如膽紅素和強離子間隙）為最核心預(yù)測因子，并驗證了年齡標準化雖非必需（非標準化模型AUROC 0.947），但提升了臨床可解釋性。

 3.人工智能輔助內(nèi)窺鏡圖像鼻咽癌檢測：一項全國性、多中心的模型開發(fā)和驗證研究

Artificial intelligence-assisted detection of nasopharyngeal carcinoma on endoscopic images: a national, multicentre, model development and validation study

（1）背景：該研究旨在開發(fā)并驗證一種基于深度學(xué)習(xí)的鼻咽癌人工智能診斷系統(tǒng)（STND），采用Swin Transformer架構(gòu)開發(fā)AI模型，建立三階段驗證體系：第一階段利用27,362張內(nèi)窺鏡圖像（含正常鼻咽、良性增生和確診鼻咽癌）訓(xùn)練模型；第二階段通過前瞻性收集的1,885張外部醫(yī)院圖像評估模型泛化能力；第三階段設(shè)計多讀者交叉研究，納入4名專家和24名初級醫(yī)院耳鼻喉科醫(yī)生，評估AI輔助對診斷準確性和效率的提升效果，最終為基層醫(yī)療提供可降低漏診率、減少不必要活檢的臨床決策工具。

（2）解釋：STND系統(tǒng)在內(nèi)部驗證中表現(xiàn)卓越（區(qū)分正常/異常的AUC=0.99，惡性/非惡性的AUC=0.99），外部前瞻性驗證保持高精度（鼻咽癌檢測AUC=0.95，敏感性91.6%，特異性86.1%）。關(guān)鍵突破在于臨床效能驗證：AI輔助顯著提升初級醫(yī)院醫(yī)生的診斷水平，使其準確率提高7.9%（從83.4%升至91.2%），閱片時間縮短25%（從6.7秒降至5.0秒/圖），且低年資醫(yī)生獲益更顯著（特異性提升17.7%）。專家醫(yī)生在AI輔助下惡性病變鑒別準確率亦提升6.2%。該系統(tǒng)通過實時處理能力（0.025秒/圖）和跨中心魯棒性，證明其能作為有效的臨床決策支持工具，尤其適用于資源有限地區(qū)，可減少不必要活檢23%并降低漏診風(fēng)險，符合WHO早期癌癥篩查戰(zhàn)略方向。

1.stClinic 通過在動態(tài)圖表中整合空間多切片多組學(xué)數(shù)據(jù)來剖析臨床相關(guān)的領(lǐng)域

stClinic dissects clinically relevant niches by integrating spatial multi-slice multi-omics data in dynamic graphs

（1）介紹：該研究旨在解決空間多切片多組學(xué)（SMSMO）數(shù)據(jù)整合中的關(guān)鍵挑戰(zhàn)，包括數(shù)據(jù)規(guī)模與多樣性、疾病異質(zhì)性及有限樣本量對臨床洞見挖掘的限制。作者提出stClinic模型——一種動態(tài)圖學(xué)習(xí)框架，通過整合空間多組學(xué)與臨床表型數(shù)據(jù)，系統(tǒng)性解析異質(zhì)人群中的細胞生態(tài)位（niche）。

（2）結(jié)果：研究結(jié)果表明，stClinic在多種組織類型（如人腦前額葉皮層、乳腺癌、結(jié)直腸癌及肝轉(zhuǎn)移瘤）中均能高效整合空間多組學(xué)數(shù)據(jù)，較現(xiàn)有方法（如SEDR、PRECAST等）更精準地識別跨樣本的共享與條件特異性生態(tài)位。通過生存分析，stClinic成功鑒定出與臨床結(jié)局顯著相關(guān)的惡性生態(tài)位：例如在三陰性乳腺癌中，富含腫瘤相關(guān)巨噬細胞（TAMs）的生態(tài)位（如Cluster 10）與不良預(yù)后相關(guān)（HR=9.354, p=4.75e?12），其高表達轉(zhuǎn)移相關(guān)基因（TROP2/TM4SF1）且拷貝數(shù)變異（CNV）水平升高；而富含B/漿細胞的生態(tài)位（Cluster 6）則預(yù)示較好預(yù)后，其免疫激活特征與更長生存期相關(guān)（TCGA驗證p=0.032）。在結(jié)直腸癌肝轉(zhuǎn)移模型中，stClinic進一步發(fā)現(xiàn)SPPI?MTRNR2L12?髓系細胞與癌癥相關(guān)成纖維細胞（CAFs）構(gòu)成的生態(tài)位驅(qū)動腫瘤適應(yīng)與侵襲，其基因特征（如COL1A1）顯著縮短患者無病生存期（p=0.046）。此外，該模型支持零樣本學(xué)習(xí)實現(xiàn)跨數(shù)據(jù)集標簽遷移（準確率約70%），并能融合同一或不同切片的表觀組/蛋白組數(shù)據(jù)提升空間分辨率。