1.因果深度學(xué)習(xí)用于實(shí)時(shí)檢測(cè)心臟手術(shù)相關(guān)急性腎損傷：七個(gè)時(shí)間序列隊(duì)列的推導(dǎo)和驗(yàn)證

Causal deep learning for real-time detection of cardiac surgery-associated acute kidney injury: derivation and validation in seven time-series cohorts

（1）背景：本研究旨在解決心臟手術(shù)相關(guān)急性腎損傷（CSA-AKI）的早期預(yù)測(cè)難題。由于CSA-AKI顯著增加患者死亡風(fēng)險(xiǎn)，而現(xiàn)有方法存在識(shí)別能力有限、泛化性差及臨床實(shí)施門檻高等問(wèn)題，研究團(tuán)隊(duì)提出了一種名為REACT的新型因果深度學(xué)習(xí)架構(gòu)。該模型通過(guò)整合來(lái)自中、美多家醫(yī)療中心的超63,000名患者的時(shí)間序列數(shù)據(jù)，試圖從復(fù)雜臨床變量中提煉出具有因果關(guān)聯(lián)的關(guān)鍵因素，以實(shí)現(xiàn)術(shù)后48小時(shí)內(nèi)CSA-AKI風(fēng)險(xiǎn)的動(dòng)態(tài)、精準(zhǔn)預(yù)測(cè)，并為臨床提供可實(shí)際應(yīng)用的決策支持工具。

（2）解釋：研究結(jié)論表明，REACT成功將初始1,328個(gè)變量蒸餾為六個(gè)核心因果變量，在內(nèi)部驗(yàn)證中表現(xiàn)出色（平均AUROC=0.930），并在外部多中心及跨國(guó)驗(yàn)證中保持一致的高性能（平均AUROC=0.920）。與主流深度學(xué)習(xí)模型及臨床指南推薦方法相比，REACT不僅預(yù)測(cè)精度更高，還能平均提前16.35小時(shí)識(shí)別CSA-AKI事件，且僅需極少輸入變量即可運(yùn)行。此外，通過(guò)前瞻性臨床驗(yàn)證（納入754名患者），REACT顯示出93.8%的異常事件捕捉率及良好的敏感度（0.825）與特異度（0.811），證實(shí)其可作為可靠的床邊評(píng)估工具應(yīng)用于真實(shí)臨床環(huán)境。

 2.開(kāi)發(fā)多任務(wù)深度學(xué)習(xí)系統(tǒng)對(duì) MRI 上九種常見(jiàn)膝關(guān)節(jié)異常進(jìn)行分類：一項(xiàng)大規(guī)模、多中心、逐步驗(yàn)證研究

Development of a multi-task deep learning system for classification of nine common knee abnormalities on MRI: a large-scale, multicentre, stepwise validation study

（1）背景：本研究旨在開(kāi)發(fā)并驗(yàn)證一個(gè)基于多任務(wù)深度學(xué)習(xí)系統(tǒng)（DLS），用于分類膝關(guān)節(jié)MRI中九種常見(jiàn)異常（包括主要異常如半月板撕裂、軟骨缺損和前交叉韌帶撕裂，以及次要異常如后交叉韌帶損傷、內(nèi)側(cè)副韌帶損傷等）。研究通過(guò)大規(guī)模、多中心回顧性數(shù)據(jù)（涵蓋2010年至2022年五家醫(yī)院的13,419名患者及14,962次MRI掃描），構(gòu)建一個(gè)注意力引導(dǎo)的粗到細(xì)模型，以提升診斷的全面性和準(zhǔn)確性。

（2）解釋：本研究證實(shí)所開(kāi)發(fā)的DLS在分類九種膝關(guān)節(jié)異常方面表現(xiàn)出色（內(nèi)部測(cè)試集AUC達(dá)0.898–0.815），尤其在主要異常分類上與資深放射科醫(yī)生準(zhǔn)確率相當(dāng)。通過(guò)多讀者多案例研究及隨機(jī)對(duì)照試驗(yàn)，DLS作為輔助工具顯著提升了所有經(jīng)驗(yàn)級(jí)別醫(yī)生的診斷性能（凈重分類指數(shù)NRI 0.0446–0.1756，所有p < 0.05），并減少解讀時(shí)間（平均節(jié)省30.7–35.5秒）。此外，DLS在復(fù)雜病例（如ACL撕裂伴血腫、慢性PCL損傷）中表現(xiàn)出優(yōu)勢(shì)，減少了過(guò)度診斷與漏診。

 3.食管胃交界處腺癌內(nèi)鏡診斷人工智能基礎(chǔ)模型的開(kāi)發(fā)與驗(yàn)證：一項(xiàng)隊(duì)列研究和深度學(xué)習(xí)研究

Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study

（1）背景：該文章旨在開(kāi)發(fā)并驗(yàn)證一個(gè)基于人工智能基礎(chǔ)模型的創(chuàng)新方法，用于食管胃交界腺癌（EGJA）的內(nèi)窺鏡篩查和分期診斷，以解決當(dāng)前EGJA診斷高度依賴操作者經(jīng)驗(yàn)、早期檢測(cè)率低的問(wèn)題。作為首次嘗試?yán)肁I基礎(chǔ)模型進(jìn)行EGJA分期診斷的研究，它結(jié)合了先進(jìn)的視覺(jué)基礎(chǔ)模型DINOv2和典型的卷積神經(jīng)網(wǎng)絡(luò)ResNet50，通過(guò)混合專家（MoE）架構(gòu)融合這些特征，實(shí)現(xiàn) robust 的特征表示。研究基于多中心設(shè)計(jì)，收集了來(lái)自七家中國(guó)醫(yī)院的12,302張內(nèi)窺鏡圖像（涉及1,546名患者，包括早期EGJA、晚期EGJA和對(duì)照組），并將數(shù)據(jù)分為訓(xùn)練集、保留測(cè)試集、外部測(cè)試集和前瞻性測(cè)試集，以確保模型的泛化性和可靠性。最終目標(biāo)是通過(guò)AI技術(shù)提升EGJA診斷的準(zhǔn)確性、效率性和可解釋性，為臨床實(shí)踐提供輔助工具。。

（2）解釋：該文章的結(jié)論是所開(kāi)發(fā)的AI模型在EGJA分期診斷中表現(xiàn)出卓越的性能、泛化能力和臨床適用性。在多個(gè)測(cè)試集上，模型 achieving accuracy of 0.9256、0.8895和0.8956 respectively，顯著優(yōu)于其他代表性AI模型（如ResNet50）和不同經(jīng)驗(yàn)水平的內(nèi)鏡醫(yī)生（所有P < 0.05），同時(shí)AI輔助評(píng)估顯示，模型能顯著提升內(nèi)鏡醫(yī)生的診斷準(zhǔn)確性，例如受訓(xùn)醫(yī)生、合格醫(yī)生和專家醫(yī)生的準(zhǔn)確率分別從0.7035、0.7350和0.8147提高到0.8497、0.8521和0.8696。此外，模型通過(guò)Grad-CAM和t-SNE可視化提供可解釋性，突出關(guān)鍵診斷特征，增強(qiáng)了臨床信任度。盡管存在數(shù)據(jù)來(lái)源區(qū)域限制和成像模態(tài)限制等局限性，但模型證明了作為臨床輔助工具的潛力，能改善診斷精度、減少操作者變異，并支持精準(zhǔn)治療決策。

 4.用于原發(fā)性腹膜后腫瘤診斷和分割的端到端深度學(xué)習(xí)模型：一項(xiàng)多中心隊(duì)列研究

End-to-end deep learning model for the diagnosis and segmentation of primary retroperitoneal neoplasm: a multicenter cohort study

（1）背景：該研究旨在開(kāi)發(fā)并驗(yàn)證一個(gè)端到端的深度學(xué)習(xí)模型REMIND（REtroperitoneal neoplasMs artificial-INtelligence Diagnosis），用于原發(fā)性腹膜后腫瘤（PRNs）的精確診斷和分割。研究基于多中心增強(qiáng)CT圖像數(shù)據(jù)，覆蓋七種常見(jiàn)PRN類型，以解決當(dāng)前PRN診斷依賴放射科醫(yī)生經(jīng)驗(yàn)、存在高誤診率和主觀差異的臨床難題。通過(guò)整合大規(guī)?；仡櫺院颓罢靶詳?shù)據(jù)，REMIND采用基于nnU-Net的架構(gòu)實(shí)現(xiàn)像素級(jí)分類與分割，旨在提供一個(gè)自動(dòng)化、可解釋的AI工具，提升診斷一致性并輔助臨床決策。

（2）解釋：REMIND模型在多項(xiàng)驗(yàn)證中表現(xiàn)出色：在七分類任務(wù)中，訓(xùn)練集、外部驗(yàn)證集和前瞻性驗(yàn)證集的Top-1準(zhǔn)確率分別達(dá)0.66、0.61和0.63，分割任務(wù)的Dice分?jǐn)?shù)均高于0.72。讀者研究顯示，REMIND的診斷準(zhǔn)確率顯著優(yōu)于初級(jí)和中級(jí)放射科醫(yī)生（64.0% vs. 42.6%和57.4%），與資深醫(yī)生相當(dāng)（64.0% vs. 64.3%），且AI輔助使所有醫(yī)生組別的診斷準(zhǔn)確率、確定性顯著提升（初級(jí)醫(yī)生準(zhǔn)確率從42.6%升至60.8%），同時(shí)大幅縮短解讀時(shí)間。模型的可視化分析增強(qiáng)了其臨床可解釋性。盡管存在少數(shù)類型性能略低及樣本量限制，REMIND證明了其作為PRN診斷輔助工具的潛力，有望減少工作量并推動(dòng)診療標(biāo)準(zhǔn)化。