JAMA  2025/07/07-2025/07/13

THE LANCET  2025/07/07-2025/07/13

Nature  2025/07/07-2025/07/13

JAMA

1.應用大型語言模型進行手術病例持續(xù)時間預測

Applying Large Language Models for Surgical Case Length Prediction

(1)目的：評價大型語言模型（LLM）使用非結構化臨床數(shù)據(jù)預測手術病例持續(xù)時間的可行性和準確性，與現(xiàn)有估計方法相比。

(2)結論：研究的結果表明，微調(diào)的LLM可以預測手術病例持續(xù)時間，其準確性與當前的機構調(diào)度方法相當或超過。這表明LLM有可能通過使用現(xiàn)有臨床文檔改進病例持續(xù)時間預測來提高手術室效率。

2.使用標準化框架評估將患者說明翻譯成西班牙語的大型語言模型

Evaluating a Large Language Model in Translating Patient Instructions to Spanish Using a Standardized Framework

(1)目的：確定GPT-4o是否可以生成與專業(yè)人工翻譯相當?shù)膫€性化患者指示的高質量西班牙語翻譯。

(2)結論：在這項橫斷面研究中，GPT-4o生成的兒科患者說明的西班牙語翻譯在質量上與使用標準化框架評估的專業(yè)人工翻譯的質量相當。雖然對LLM翻譯的人工審查在醫(yī)療保健中仍然是必不可少的，但這些發(fā)現(xiàn)表明GPT-4o 可以減少西班牙語的翻譯工作量，從而可能釋放資源來支持小語種傳播。

THE LANCET

1.開發(fā)基于深度學習的成像診斷框架PVDNet，用于區(qū)分肺動脈肉瘤和肺血栓栓塞：一項多中心觀察性研究

Developing a deep learning-based imaging diagnostic framework, PVDNet, for differentiating pulmonary artery sarcoma and pulmonary thromboembolism: a multi-center observational study

(1)背景：根據(jù)CT肺血管造影（CTPA）區(qū)分肺動脈肉瘤（PAS）和肺血栓栓塞（PTE）是一項巨大的挑戰(zhàn)，需要結合其他方法，例如深度學習（DL）。本研究旨在開發(fā)和驗證一種基于DL的模型PVDNet，用于區(qū)分CTPA上的PAS和PTE。

(2)解釋：PVDNet模型可以區(qū)分PAS和PTE，其性能接近專門研究肺血管疾病的高級放射科醫(yī)生的熟練程度。PVDNet在區(qū)分急性PTE和慢性PTE方面的性能需要進一步優(yōu)化。

2.基于FTIR的分子指紋圖譜使用機器學習從人類血清中快速分類登革熱和基孔肯雅熱：一項觀察性研究

FTIR-based molecular fingerprinting for the rapid classification of dengue and chikungunya from human sera using machine learning: an observational study

(1)背景：登革熱和基孔肯雅熱是由伊蚊傳播的蟲媒病毒性疾病，在東南亞和印度共同流行。準確和快速的診斷對于有效的疫情管理至關重要，但傳統(tǒng)的診斷方法（ELISA、RT-PCR）受到交叉反應性和對專業(yè)基礎設施需求的限制。振動光譜法提供了一種新穎的、無標記的替代方案，可直接從血清中檢測宿主分子變化。

(2)解釋：振動光譜學，特別是與機器學習集成的FTIR，提供了一個強大、快速和可擴展的診斷平臺，用于區(qū)分混合感染率高地區(qū)的蟲媒病毒感染。與ELISA和RT-PCR相比，該方法直接從血清中捕獲宿主生物分子變化，最大限度地減少了交叉反應性并提高了診斷速度。它在床旁環(huán)境中的部署可以顯著改善蟲媒病毒監(jiān)測和臨床管理，尤其是在資源有限的地區(qū)。

Nature

1.核形態(tài)計量學與機器學習相結合，可識別不同年齡的衰老動態(tài)狀態(tài)

Nuclear morphometrics coupled with machine learning identifies dynamic states of senescence across age

(1)摘要：細胞衰老是一種不可逆的細胞周期停滯狀態(tài)，在組織修復、衰老和疾病中起著復雜的作用。然而，鑒定細胞衰老的不一致導致了關于其功能意義的不同結論。我們開發(fā)了一種基于機器學習的方法，該方法使用核形態(tài)計量學以單細胞分辨率識別衰老細胞。通過應用無監(jiān)督聚類和降維技術，我們構建了一個強大的流程，可以區(qū)分培養(yǎng)系統(tǒng)中的衰老細胞、新鮮分離的細胞群和組織切片。在這里，我們表明這種方法揭示了再生骨骼肌和骨關節(jié)炎關節(jié)軟骨中與年齡相關的動態(tài)衰老模式。我們的方法提供了一種廣泛適用的策略，可以在不同的生物學環(huán)境中繪制和量化衰老細胞狀態(tài)，提供了一種輕松評估這種細胞命運如何在整個生命周期中促進組織重塑和退化的方法。