1.整合急性冠狀動脈綜合征罪犯病變診斷與風險評估的人工智能模型  08.11  eClinicalMedicine

2.荷蘭一項基于人群的篩查計劃中，人工智能作為獨立的第二讀取器檢測臨床相關(guān)的乳腺癌：一項回顧性隊列研究  08.14  The Lancet Digital Health

1.人工智能驅(qū)動的多模態(tài)數(shù)據(jù)融合用于阿爾茨海默病生物標志物評估  08.11  Nature Communications

1.整合急性冠狀動脈綜合征罪犯病變診斷與風險評估的人工智能模型

An artificial intelligence model integrating culprit lesion diagnosis and risk assessment for acute coronary syndrome

（1）背景：急性冠狀動脈綜合征（ACS）是全球發(fā)病和死亡的主要原因，約50%的ST段抬高型心肌梗死（STEMI）患者存在多支冠狀動脈疾?。–AD）。盡管現(xiàn)有指南推薦冠狀動脈CT血管造影（CCTA）用于ACS風險評估，但傳統(tǒng)預測模型依賴線性統(tǒng)計方法，難以捕捉臨床實踐中復雜的變量交互關(guān)系。當前亟需一種整合機器學習（ML）的解決方案，既能診斷ACS罪犯病變（發(fā)病7日內(nèi)），又能預測未來ACS風險（≥30天），以優(yōu)化心血管風險分層。既往研究雖開發(fā)了ML模型用于ACS診斷或長期風險預測，但尚未實現(xiàn)兩者的統(tǒng)一框架，且缺乏基于CCTA的ML模型對遠期ACS事件的同步驗證。本研究旨在填補這一空白，通過多中心隊列構(gòu)建ML模型，識別ACS罪犯病變并預測其短期進展風險。。

（2）解釋：研究采用多中心隊列設(shè)計（總樣本量n=2619），通過回顧性隊列（1854例患者）訓練并比較五種ML算法（LASSO回歸、決策樹、隨機森林、支持向量機、XGBoost），發(fā)現(xiàn)隨機森林（RF）模型在識別ACS罪犯病變中性能最優(yōu)（訓練集至測試集AUC=0.85）。該模型整合了17項臨床、解剖及血流動力學特征（包括狹窄程度、ΔCT-FFR、斑塊成分等），其中狹窄嚴重性和ΔCT-FFR貢獻度最高（圖2C）。進一步在前瞻性隊列驗證中，RF模型成功實現(xiàn)ACS風險分層：隊列3（中位隨訪60個月）和隊列4（中位隨訪28個月）的Kaplan-Meier曲線均顯示高風險組ACS發(fā)生率顯著更高（log-rank P<0.001），且時間依賴性曲線證實其預測效力在2年內(nèi)最優(yōu)（AUC：隊列3=0.79 vs. 狹窄模型0.67；隊列4=0.67 vs. 0.60）。風險重分類分析（NRI>0）進一步突顯ML模型整合多模態(tài)特征的臨床增益價值，為多支病變患者早期干預提供依據(jù)。

 2.荷蘭一項基于人群的篩查計劃中，人工智能作為獨立的第二讀取器檢測臨床相關(guān)的乳腺癌：一項回顧性隊列研究

AI as an independent second reader in detection of clinically relevant breast cancers within a population-based screening programme in the Netherlands: a retrospective cohort study

（1）背景：該研究的背景聚焦于乳腺癌篩查項目在降低死亡率方面的有效性，但其面臨多重挑戰(zhàn)：包括乳腺X光攝影的敏感性有限、放射科醫(yī)師資源短缺和專業(yè)知識的變異性，以及篩查過程中可能出現(xiàn)的誤判。研究旨在模擬AI作為獨立閱讀器或第二閱讀器的場景，以評估其在荷蘭人口基礎(chǔ)篩查項目中對乳腺癌檢測的貢獻，并利用長期隨訪數(shù)據(jù)（最長52個月）來校正短期研究的偏差。

（2）解釋：該研究的解釋強調(diào)，當AI作為第二閱讀器與單一人為閱讀器結(jié)合時，能顯著提高乳腺癌檢測率（靈敏度相對增加16.4%，絕對增加8.4%；p<0.0001），相比傳統(tǒng)雙人閱讀，這種組合識別出更多臨床相關(guān)癌癥（包括282例篩查檢測癌、29例間隔癌和38例未來乳腺癌），但代價是召回率從2.9%增至5.0%和特異性略降2.0%，因此需要有效的仲裁機制來處理增加的假陽性召回，以避免過度診斷和工作量上升。AI識別的癌癥（尤其是那些被人類遺漏的間隔癌和未來乳腺癌）在后續(xù)診斷時更具臨床意義：它們更常表現(xiàn)為浸潤性癌（93.4% vs. 人類篩查檢測癌的66.7%）、腫瘤尺寸更大（平均18.5mm vs. 14.3mm；27.9% >20mm vs. 人類篩查檢測癌的11.3%）和更高比例的淋巴結(jié)陽性（23.0% vs. 16.5%），表明這些腫瘤在進展后更具侵襲性，而AI能在早期階段識別它們，從而改善預后。

1.人工智能驅(qū)動的多模態(tài)數(shù)據(jù)融合用于阿爾茨海默病生物標志物評估

AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment

（1）介紹：該文章的主要目的是開發(fā)并驗證一個基于變壓器的機器學習框架，通過融合多模態(tài)數(shù)據(jù)，預測阿爾茨海默?。ˋD）的生物標志物狀態(tài)。這一框架旨在解決當前AD診斷中的關(guān)鍵挑戰(zhàn)：PET成像雖能提供高精度的生物標志物信息，但成本高昂且可及性有限，阻礙了其在常規(guī)臨床和臨床試驗中的廣泛應用。文章還強調(diào)捕捉Aβ和tau病理之間的協(xié)同關(guān)系，以支持更精準的疾病分期和患者分層，最終優(yōu)化針對AD的靶向治療和臨床試驗入組效率。

（2）結(jié)果：文章的結(jié)論顯示，該AI驅(qū)動框架在預測AD生物標志物方面表現(xiàn)優(yōu)異：模型在全球Aβ預測中達到AUROC 0.79和平均精度（AP）0.78，在meta-τ預測中AUROC為0.84和AP 0.60，并通過外部驗證（如ADNI和HABS數(shù)據(jù)集）證明了其魯棒性，即使面對特征缺失高達72%時仍保持高準確性。模型預測與PET測量的生物梯度高度一致（如P(Aβ)與centiloid值Pearson r=0.58, p<0.0001；P(τ)與meta-τ SUVr對數(shù)r=0.59, p<0.0001），并成功區(qū)分了臨床前AD的Aβ狀態(tài)（cognitively unimpaired組中Aβ PET陰性vs陽性差異顯著，U=53044, p=3.36×10^{-12}）。此外，模型衍生的復合AT分數(shù)能有效區(qū)分疾病階段（A-T-到A+ NEO+，H=180.73, p=6.15×10^{-39}），并通過SHAP值分析揭示了區(qū)域體積變化與tau沉積空間模式的對應性（如內(nèi)側(cè)顳葉區(qū)域重要性最高，AMI=0.219, p=1.40×10^{-3}）。