1.開發(fā)和驗(yàn)證基于常規(guī)MRI的模型來預(yù)測患有腦室周圍白質(zhì)損傷的嬰兒（6-24個月）的腦癱：一項(xiàng)多中心、回顧性隊(duì)列研究

Development and validation of a conventional MRI-based model to predict cerebral palsy in infants (aged 6–24 months) with periventricular white matter injury: a multicentre, retrospective cohort study

（1）背景：該研究聚焦于解決嬰幼兒腦癱（CP）早期預(yù)測的臨床挑戰(zhàn)，尤其針對6-24月齡的腦室周圍白質(zhì)損傷（PVWMI）患兒群體?，F(xiàn)有預(yù)測工具存在顯著局限：神經(jīng)行為評估如Hammersmith嬰兒神經(jīng)學(xué)檢查（HINE）因診斷臨界值不一致而可靠性不足（敏感性90%但特異性波動）；常規(guī)MRI評分系統(tǒng)需復(fù)雜計(jì)算且年齡適應(yīng)性差（覆蓋6月齡至18歲），而先進(jìn)影像技術(shù)（如彌散張量成像）受限于專用軟件、小樣本及單中心設(shè)計(jì)。亟需開發(fā)一種基于常規(guī)MRI的簡易、跨中心驗(yàn)證的預(yù)測模型，以抓住2歲前神經(jīng)可塑性的關(guān)鍵干預(yù)窗口。

（2）解釋：研究通過多中心回顧性隊(duì)列（中國5家醫(yī)院，383例PVWMI嬰兒）構(gòu)建并驗(yàn)證了基于常規(guī)MRI的CP預(yù)測模型。關(guān)鍵發(fā)現(xiàn)包括：（1）獨(dú)立預(yù)測因子——多變量回歸分析識別出5個MRI特征與CP強(qiáng)相關(guān)：內(nèi)囊后肢（PLIC）異常信號（OR=16.52, P<0.001）、半卵圓中心皮質(zhì)脊髓束信號異常（OR=13.01, P<0.001）、大腦腳信號異常（OR=5.54, P=0.04）、丘腦信號異常/萎縮（OR=4.76, P=0.02）及豆?fàn)詈诵盘柈惓?萎縮（OR=4.58, P=0.03），這些特征反映了皮質(zhì)脊髓通路損傷和深部灰質(zhì)病變的協(xié)同作用；（2）模型效能——基于上述因子構(gòu)建的列線圖模型在推導(dǎo)隊(duì)列中AUC達(dá)0.94（95%CI: 0.91-0.98），內(nèi)部驗(yàn)證（AUC=0.96）和外部驗(yàn)證（AUC=0.92）均表現(xiàn)優(yōu)異，且決策曲線顯示臨床凈收益顯著；（3）泛化性驗(yàn)證——11名不同經(jīng)驗(yàn)水平的閱片者（含神經(jīng)科醫(yī)師）在多閱片者測試隊(duì)列中平均AUC為0.96（敏感性0.90、特異性0.88），但神經(jīng)科醫(yī)師因影像經(jīng)驗(yàn)不足AUC顯著低于放射科醫(yī)師（0.87 vs. 0.98, P<0.01）；（4）亞組穩(wěn)定性——模型在年齡分層（6-11月/12-17月/18-24月AUC分別為0.97/0.98/0.95）及性別分組中性能一致，證實(shí)其對髓鞘化進(jìn)程的動態(tài)變化具有耐受性。

 2.開發(fā)和驗(yàn)證用于預(yù)測肺癌術(shù)后肺部并發(fā)癥的可解釋機(jī)器學(xué)習(xí)模型：一項(xiàng)機(jī)器學(xué)習(xí)研究

Development and validation of an explainable machine learning model for predicting postoperative pulmonary complications after lung cancer surgery: a machine learning study

（1）背景：肺癌手術(shù)后的肺部并發(fā)癥（PPCs）是臨床管理中的關(guān)鍵挑戰(zhàn)，其發(fā)生率高達(dá)48%（平均18.4%），與住院時間延長、死亡率增加及生存質(zhì)量下降顯著相關(guān)。盡管手術(shù)技術(shù)進(jìn)步，但現(xiàn)有預(yù)測模型（如傳統(tǒng)邏輯回歸或列線圖）存在局限性：依賴臨床經(jīng)驗(yàn)篩選變量、可解釋性差、缺乏多中心驗(yàn)證，且未整合關(guān)鍵肺功能指標(biāo)（如DLCO）。本研究旨在通過循證方法（meta分析結(jié)合兩輪Delphi專家咨詢）確定風(fēng)險變量池，開發(fā)可解釋ML模型，以填補(bǔ)臨床空白，優(yōu)化資源分配并改善患者預(yù)后。

（2）解釋：研究采用雙向病例對照設(shè)計(jì)，納入883例回顧性隊(duì)列（PPCs發(fā)生率35.4%）和308例前瞻性隊(duì)列（PPCs發(fā)生率29.5%），通過多步特征篩選（單變量分析、共線性檢驗(yàn)、9種ML算法重要性評分及遞歸特征消除）開發(fā)12個獨(dú)立ML模型和26個堆疊集成模型，其中SVM+DT堆疊模型表現(xiàn)最優(yōu)（內(nèi)部驗(yàn)證AUC=0.860, 95% CI: 0.809–0.911；敏感性0.746，特異性0.974），顯著優(yōu)于其他模型（DeLong檢驗(yàn)P<0.05），決策曲線分析（DCA）顯示其臨床凈收益更高。前瞻驗(yàn)證AUC=0.790（95% CI: 0.744–0.835），Hosmer-Lemeshow檢驗(yàn)（P=0.10）和校準(zhǔn)曲線證實(shí)模型穩(wěn)健。SHAP解釋揭示年齡>60歲、IFIV>1000 mL、手術(shù)時長>150分鐘為PPCs主要風(fēng)險驅(qū)動因子，支持個體化干預(yù)（如限制術(shù)中輸液、縮短手術(shù)時間）。

 3.人工智能預(yù)測卒中單元的心房顫動：一項(xiàng)回顧性推導(dǎo)驗(yàn)證隊(duì)列研究

Artificial intelligence for prediction of atrial fibrillation in the stroke unit: a retrospective derivation validation cohort study

（1）背景：心房顫動（AF）是缺血性腦卒中的主要病因，占病例的25%，但因其陣發(fā)性特點(diǎn)常在常規(guī)臨床檢查中漏診（漏診率高達(dá)48%），導(dǎo)致二級預(yù)防失敗。研究旨在通過卒中單元連續(xù)72小時監(jiān)測數(shù)據(jù)，開發(fā)可解釋AI模型，優(yōu)化AF風(fēng)險分層。

（2）解釋：研究基于柏林Charité醫(yī)院2068例卒中患者（469例AF，其中103例院內(nèi)新發(fā)）的72小時連續(xù)心電圖監(jiān)測數(shù)據(jù)，通過多模型比較（DNN、貝葉斯融合、樹集成等）和SHAP可解釋性分析，發(fā)現(xiàn)HRV是AF預(yù)測的核心驅(qū)動因子（貢獻(xiàn)度>70%），如RMSSD（逐搏變異）和pNN50（短期不規(guī)則性），其重要性超越年齡和臨床變量（SHAP值均值0.15 vs. 0.05）。貝葉斯融合模型性能最優(yōu)（ROC-AUC 0.89），但簡化樹集成模型僅用年齡和1小時HRV參數(shù)即達(dá)相近效果（ROC-AUC 0.88），且外部驗(yàn)證（MonDAFIS前瞻性隊(duì)列1519例）顯著優(yōu)于AS5F評分（ROC-AUC 0.79 vs. 0.69, p=0.0047），敏感性0.39（AS5F:0.03）且NPV達(dá)0.98。

1.生物標(biāo)志物組可改善心房顫動患者的風(fēng)險預(yù)測并增強(qiáng)生物學(xué)洞察力

Biomarker panels for improved risk prediction and enhanced biological insights in patients with atrial fibrillation

（1）介紹：本文旨在評估一組12種循環(huán)生物標(biāo)志物（涵蓋心肌損傷、炎癥、氧化應(yīng)激、凝血和心功能失調(diào)等多種病理生理通路）在房顫（AF）患者中對不良心血管事件的預(yù)測價值，并探索其潛在生物學(xué)機(jī)制。

（2）結(jié)果：研究發(fā)現(xiàn)D-dimer（凝血）、GDF-15（氧化應(yīng)激）、IL-6（炎癥）、NT-proBNP（心肌功能障礙）和hsTropT（心肌損傷）這5種生物標(biāo)志物能獨(dú)立預(yù)測復(fù)合心血管結(jié)局（心血管死亡、缺血性中風(fēng)、系統(tǒng)栓塞或心肌梗死），顯著提升預(yù)測準(zhǔn)確性（例如，Cox模型AUC從0.74提高到0.77）；GDF-15、IGFBP-7、NT-proBNP和hsTropT還預(yù)測心力衰竭住院，而GDF-15和IL-6與主要出血事件相關(guān)。生物標(biāo)志物模型在預(yù)測中風(fēng)和主要出血時優(yōu)于臨床風(fēng)險評分（如CHA?DS?-VASc和HAS-BLED），例如中風(fēng)預(yù)測AUC為0.69 vs. 0.64（P=0.003）。

2.可解釋的多模態(tài)深度學(xué)習(xí)利用超聲成像預(yù)測甲狀腺癌側(cè)淋巴結(jié)轉(zhuǎn)移

Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging

（1）介紹：本文旨在解決甲狀腺癌術(shù)前側(cè)頸淋巴結(jié)轉(zhuǎn)移（LLNM）預(yù)測的臨床難題。由于傳統(tǒng)超聲檢測敏感性低、依賴醫(yī)生經(jīng)驗(yàn)，且解剖結(jié)構(gòu)復(fù)雜導(dǎo)致樣本獲取困難，缺乏精準(zhǔn)的預(yù)測工具。為此，作者團(tuán)隊(duì)開發(fā)了LLNM-Net——一種基于雙向注意力機(jī)制的多模態(tài)深度學(xué)習(xí)模型。該模型整合術(shù)前超聲圖像（包括結(jié)節(jié)形態(tài)、位置）、影像報告、病理結(jié)果及人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，通過融合結(jié)節(jié)形態(tài)學(xué)特征（如邊緣、內(nèi)部回聲）與精確位置信息（采用中心點(diǎn)距離變換算法），構(gòu)建端到端的預(yù)測框架。為臨床提供可靠的術(shù)前LLNM風(fēng)險評估工具，輔助手術(shù)決策和預(yù)后管理。

（2）結(jié)果：本研究通過多中心大樣本驗(yàn)證（39,451例患者），模型在外部測試集上達(dá)到AUC 0.944（95% CI: 0.942–0.945），準(zhǔn)確率84.7%，較人類專家（準(zhǔn)確率64.3%）提升20.4%，較既往最佳模型提升7.4%。對高風(fēng)險患者（轉(zhuǎn)移淋巴結(jié)>3cm）的識別AUC高達(dá)0.983。