1. 開發(fā)和驗證具有基于血液的數(shù)字生物標(biāo)志物的機(jī)器學(xué)習(xí)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(fù)雜改變，因此全面的血液生物標(biāo)志物對于準(zhǔn)確和早期診斷至關(guān)重要。然而，使用基于血液的生物標(biāo)志物的方法的成本效益和操作復(fù)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(guān)的病理變化。這些光譜特征作為數(shù)字生物標(biāo)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(guān)心血管風(fēng)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(xué)中，女性通常得不到充分的服務(wù)。使用性別作為風(fēng)險分層的二分變量無法捕捉到每種性別中風(fēng)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(fēng)險。

(2) 解釋：性別不一致評分是一種新型AI-ECG生物標(biāo)志物，能夠識別心血管風(fēng)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(xué)習(xí)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(luò)（CNN），我們從CTG記錄中預(yù)測胎兒受損，包括預(yù)處理和超參數(shù)調(diào)整。

(2) 結(jié)論：訓(xùn)練信號間隔與結(jié)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(guān)。

2. 使用可變形注意力和顯著性映射進(jìn)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(zhǔn)確性和效率。

(2) 結(jié)論：本研究為醫(yī)學(xué)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(jìn)步，并為更高效、更準(zhǔn)確和可擴(kuò)展的腫瘤檢測方法鋪平了道路。

3. 使用機(jī)器學(xué)習(xí)模型對妊娠糖尿病產(chǎn)后血脂異常進(jìn)行早期預(yù)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(jī)器學(xué)習(xí)的模型，以使用妊娠早期臨床數(shù)據(jù)預(yù)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(jié)論：基于極端梯度提升（XGB)的妊娠糖尿病產(chǎn)后血脂異常預(yù)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(yù)，并可能改善妊娠結(jié)局和減少并發(fā)癥。

4. 通過可解釋機(jī)器學(xué)習(xí)的局部晚期直腸癌淋巴結(jié)陰性對數(shù)幾率的預(yù)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(jié)陰性/T分期（LONT）的預(yù)后價值，并開發(fā)一個機(jī)器學(xué)習(xí)模型來預(yù)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(jié)論：該研究開發(fā)了一個極端梯度提升（XGB）模型，利用LONT來預(yù)測接受nCRT的LARC 患者的OS和DFS。并構(gòu)建了一個在線網(wǎng)絡(luò)計算器，以促進(jìn)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(jī)器學(xué)習(xí)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(jī)制不明確且缺乏特異性診斷標(biāo)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(zhǔn)確診斷。本研究旨在開發(fā)一種可解釋的KD機(jī)器學(xué)習(xí)診斷模型。

(2) 結(jié)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(yù)測的可靠性。

6. 利用swin transformer和深度學(xué)習(xí)模型集成，使用陰道鏡圖像進(jìn)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(xué)習(xí)模型集成（LSTEDL-CCS）技術(shù)進(jìn)行陰道鏡檢查圖像。提出的LSTEDL-CCS技術(shù)旨在檢測和分類陰道鏡圖像上的宮頸癌（CC）。

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

7. 利用深度神經(jīng)網(wǎng)絡(luò)和語言模型預(yù)測精神分裂癥的長期住院風(fēng)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(yù)警對于有效的資源分配和個體治療計劃至關(guān)重要。在這項研究中，我們開發(fā)了一個深度學(xué)習(xí)模型，該模型整合了從入院開始的人口統(tǒng)計學(xué)、行為和血液測試數(shù)據(jù)，以使用回顧性隊列預(yù)測延長的住院時間。

(2) 結(jié)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(hù)理預(yù)測準(zhǔn)確性的潛力，為SCZ管理的早期干預(yù)和個性化治療提供了強大的框架。