1. 印度深度學(xué)習(xí)糖尿病視網(wǎng)膜病變算法的性能  3.19  JAMA Network Open 

2. 帕金森病的自動(dòng)成像鑒別  3.17  JAMA Neurology

3. Phoenix膿毒癥評(píng)分在疑似社區(qū)獲得性膿毒癥患兒中的外部驗(yàn)證  3.21  JAMA Network Open

1. 使用基于transformer的深度學(xué)習(xí)識(shí)別心力衰竭亞型造型：一項(xiàng)針對(duì)379108人的人群研究  3.19  eBioMedicine

2. 深度學(xué)習(xí)為放射學(xué)和病理學(xué)的多模式融合提供了信息，以預(yù)測(cè)HPV相關(guān)口咽鱗狀細(xì)胞癌的預(yù)后  3.22  eBioMedicine

1. 機(jī)器學(xué)習(xí)揭示了認(rèn)知未受損個(gè)體心血管和代謝疾病的不同神經(jīng)解剖特征  3.19  Nature   Communications

2. 使用機(jī)器學(xué)習(xí)的磷酸化位點(diǎn)共調(diào)節(jié)破譯暗癌磷酸化蛋白質(zhì)組  3.20  Nature   Communications

1. 印度深度學(xué)習(xí)糖尿病視網(wǎng)膜病變算法的性能

Performance of a Deep Learning Diabetic Retinopathy Algorithm in India

(1) 目的：評(píng)估自動(dòng)視網(wǎng)膜疾病評(píng)估（ARDA）算法在印度Aravind眼科醫(yī)院部署后環(huán)境中的臨床性能。

(2) 解釋：在這項(xiàng)調(diào)查ARDA臨床表現(xiàn)的橫斷面研究中，對(duì)嚴(yán)重非增殖性糖尿病性視網(wǎng)膜病變（NPDR）和增殖性糖尿病性視網(wǎng)膜病變（ PDR）的敏感性和特異性超過(guò)96%，并發(fā)現(xiàn)100%的嚴(yán)重NPDR和PDR患者需要眼科轉(zhuǎn)診。這份初步的大規(guī)模上市后報(bào)告在印度篩查了600000名患者后ARDA的性能，強(qiáng)調(diào)了監(jiān)測(cè)和發(fā)布算法臨床性能的重要性，這與監(jiān)管機(jī)構(gòu)的建議一致。

2. 帕金森病的自動(dòng)成像鑒別

Automated Imaging Differentiation for Parkinsonism

(1) 目的 ：磁共振成像（MRI）與適當(dāng)?shù)募膊√禺愋詸C(jī)器學(xué)習(xí)相結(jié)合，有望實(shí)現(xiàn)帕金森?。≒D）、多系統(tǒng)萎縮（MSA）帕金森病變異型和進(jìn)行性核上性麻痹（PSP）的臨床鑒別。需要一項(xiàng)前瞻性研究來(lái)測(cè)試該方法是否滿足診斷性檢查中要考慮的主要終點(diǎn)。使用3-T磁共振成像和支持向量機(jī)（SVM）學(xué)習(xí)評(píng)估帕金森病自動(dòng)成像鑒別（AIDP）的判別性能。

(2) 解釋：這項(xiàng)AIDP的前瞻性多中心隊(duì)列研究達(dá)到了其主要終點(diǎn)。結(jié)果表明，在常見(jiàn)帕金森綜合征的診斷性檢查中使用AIDP。

 3. Phoenix膿毒癥評(píng)分在疑似社區(qū)獲得性膿毒癥患兒中的外部驗(yàn)證

External Validation of the Phoenix Sepsis Score in Children With Suspected Community-Acquired Sepsis

(1) 目的：對(duì)疑似社區(qū)獲得性膿毒癥住院兒童隊(duì)列的Phoenix膿毒癥評(píng)分和膿毒癥標(biāo)準(zhǔn)進(jìn)行外部驗(yàn)證

(2) 結(jié)論：在這項(xiàng)針對(duì)疑似膿毒癥住院兒童的多中心診斷研究中，Phoenix膿毒癥評(píng)分和膿毒癥標(biāo)準(zhǔn)與原始推導(dǎo)和驗(yàn)證隊(duì)列的性能相似。符合Phoenix膿毒癥標(biāo)準(zhǔn)的兒童比例小、數(shù)據(jù)缺失、應(yīng)用時(shí)間以及對(duì)院內(nèi)死亡率缺乏敏感性限制了該標(biāo)準(zhǔn)的臨床實(shí)用性。

1. 使用基于transformer的深度學(xué)習(xí)識(shí)別心力衰竭亞型造型：一項(xiàng)針對(duì)379108人的人群研究

Identification of heart failure subtypes using transformer-based deep learning modelling: a population-based study of 379,108 individuals

(1) 背景：心力衰竭（HF）是一種復(fù)雜的綜合征，具有不同的表現(xiàn)和進(jìn)展模式?；谧笮氖疑溲?jǐn)?shù)（LVEF）的傳統(tǒng)分類系統(tǒng)在捕捉HF的異質(zhì)性方面存在局限性。我們旨在探索深度學(xué)習(xí)的應(yīng)用，特別是基于Transformer的方法，以分析電子健康記錄（EHR）以對(duì)HF患者進(jìn)行精細(xì)亞型的分析。

(2) 解釋：本研究確定了7種不同的亞型，包括COPD相關(guān)亞組和甲狀腺功能障礙相關(guān)亞組，這是兩個(gè)高風(fēng)險(xiǎn)亞組，在以前的亞型分析中未被識(shí)別。這些見(jiàn)解為進(jìn)一步研究量身定制的有效HF管理策略奠定了基礎(chǔ)。

 2. 深度學(xué)習(xí)為放射學(xué)和病理學(xué)的多模式融合提供了信息，以預(yù)測(cè)HPV相關(guān)口咽鱗狀細(xì)胞癌的預(yù)后

Deep learning informed multimodal fusion of radiology and pathology to predict outcomes in HPV-associated oropharyngeal squamous cell carcinoma

(1) 目的：我們的目標(biāo)是預(yù)測(cè)人瘤病毒（HPV）相關(guān)口咽鱗狀細(xì)胞癌（OPSCC）的預(yù)后，OPSCC是頭頸癌的一種亞型，其特征是臨床結(jié)果改善和對(duì)治療反應(yīng)更好。OPSCC已經(jīng)獨(dú)立開(kāi)發(fā)了以病理學(xué)和放射學(xué)為重點(diǎn)的基于AI的預(yù)后模型，但它們的整合包括原發(fā)性腫瘤（PT）和轉(zhuǎn)移性頸部淋巴結(jié)（LN）仍未得到檢驗(yàn)。

(2) 解釋：我們的研究結(jié)果強(qiáng)調(diào)了多模態(tài)深度學(xué)習(xí)在準(zhǔn)確分層OPSCC風(fēng)險(xiǎn)、為量身定制的治療策略提供信息以及可能改進(jìn)現(xiàn)有治療算法方面的潛力。

1. 機(jī)器學(xué)習(xí)揭示了認(rèn)知未受損個(gè)體心血管和代謝疾病的不同神經(jīng)解剖特征

Machine learning reveals distinct neuroanatomical signatures of cardiovascular and metabolic diseases in cognitively unimpaired individuals

摘要：共病的心血管和代謝危險(xiǎn)因素（CVM）對(duì)大腦結(jié)構(gòu)的影響不同并增加癡呆風(fēng)險(xiǎn)，但其特異性磁共振成像特征（MRI）仍然難以表征。為了解決這個(gè)問(wèn)題，開(kāi)發(fā)并驗(yàn)證了機(jī)器學(xué)習(xí)模型，以量化患者層面與高血壓、高脂血癥、吸煙、肥胖和2型糖尿病相關(guān)的萎縮和白質(zhì)高信號(hào)的不同空間模式。使用一個(gè)包含10項(xiàng)隊(duì)列研究的大型跨國(guó)數(shù)據(jù)集中，生成了5個(gè)計(jì)算機(jī)嚴(yán)重程度標(biāo)志物。將CVM特異性大腦特征的個(gè)性化測(cè)量整合到表型框架中可以指導(dǎo)臨床研究中的早期風(fēng)險(xiǎn)檢測(cè)和分層。

 2. 使用機(jī)器學(xué)習(xí)的磷酸化位點(diǎn)共調(diào)節(jié)破譯暗癌磷酸化蛋白質(zhì)組

Deciphering the dark cancer phosphoproteome using machine-learned co-regulation of phosphosites

摘要：基于質(zhì)譜的磷酸化蛋白質(zhì)組學(xué)提供了蛋白質(zhì)磷酸化的全面視圖，但對(duì)大多數(shù)磷酸化位點(diǎn)的調(diào)節(jié)和功能的了解有限，阻礙了對(duì)有意義的生物學(xué)見(jiàn)解的提取。為了應(yīng)對(duì)這一挑戰(zhàn)，將機(jī)器學(xué)習(xí)與來(lái)自11種癌癥類型的1195個(gè)腫瘤標(biāo)本的磷酸化蛋白質(zhì)組學(xué)數(shù)據(jù)相結(jié)合，以構(gòu)建CoPheeMap，這是一個(gè)繪制26280個(gè)磷酸化位點(diǎn)共調(diào)控的網(wǎng)絡(luò)。通過(guò)將CoPheeMap中的網(wǎng)絡(luò)特征整合到第二個(gè)機(jī)器學(xué)習(xí)模型CoPheeKSA中，在預(yù)測(cè)激酶-底物關(guān)聯(lián)方面取得了卓越的性能。CoPheeKSA揭示了9399個(gè)磷酸位點(diǎn)和104個(gè)絲氨酸/蘇氨酸激酶之間的24015個(gè)關(guān)聯(lián)，揭示了許多未注釋的磷酸位點(diǎn)和研究不足的激酶。使用實(shí)驗(yàn)確定的激酶-底物特異性來(lái)驗(yàn)證這些預(yù)測(cè)的準(zhǔn)確性。通過(guò)將CoPheeMap和CoPheeKSA應(yīng)用于具有高計(jì)算預(yù)測(cè)功能意義的磷酸化位點(diǎn)和與癌癥相關(guān)的磷酸化位點(diǎn)，證明了它們?cè)谙到y(tǒng)闡明感興趣的磷酸化位點(diǎn)方面的有效性。這些分析揭示了人類癌癥中信號(hào)轉(zhuǎn)導(dǎo)過(guò)程失調(diào)，并將研究不足的激酶確定為潛在的治療靶點(diǎn)。