03.03-03.09 临床预测模型研究顶刊快报

1. 开发和验证具有基于血液的数字生物标志物的机器学习模型，用于阿尔茨海默病诊断：一项多队列诊断研究

Development and validation of machine learning models with blood-based digital biomarkers for Alzheimer’s disease diagnosis: a multicohort diagnostic study

(1) 背景：阿尔茨海默病（AD）涉及生物通路的复杂改变，因此全面的血液生物标志物对于准确和早期诊断至关重要。然而，使用基于血液的生物标志物的方法的成本效益和操作复杂性极大地限制了其在临床实践中的可用性。

(2) 解释：ATR-FTIR（衰减全反射-傅里叶变换红外）等离子体光谱特征可以识别与AD相关的病理变化。这些光谱特征作为数字生物标志物，为AD的早期筛查和诊断提供有价值的支持。

2. 人工智能增强心电图识别性别相关心血管风险连续体：一项回顾性队列研究

Artificial intelligence-enhanced electrocardiography for the identification of a sex-related cardiovascular risk continuum: a retrospective cohort study

(1) 背景：在心血管医学中，女性通常得不到充分的服务。使用性别作为风险分层的二分变量无法捕捉到每种性别中风险的异质性。我们旨在开发一种人工智能增强心电图（AI-ECG）模型来研究性别特异性心血管风险。

(2) 解释：性别不一致评分是一种新型AI-ECG生物标志物，能够识别心血管风险不成比例升高的女性。AI-ECG有可能识别可能从增强的危险因素改变或监测中受益的女性患者。

1. 用于胎心宫缩监图解释的深度学习模型的开发和评估

Development and evaluation of deep learning models for cardiotocography interpretation

(1) 目的：使用已发布的卷积神经网络（CNN），我们从CTG记录中预测胎儿受损，包括预处理和超参数调整。

(2) 结论：训练信号间隔与结果测量的时间保持一致表现出卓越的性能，与间歇性CTG测量场景特别相关。

2. 使用可变形注意力和显著性映射进行自动多类MRI脑肿瘤分类和分割

Automated multi-class MRI brain tumor classification and segmentation using deformable attention and saliency mapping

(1) 目的：本研究引入了一种自动分类和分割脑肿瘤的新方法，旨在提高诊断的准确性和效率。

(2) 结论：本研究为医学成像中脑肿瘤的自动分类和分割提供了一种非常有前途的方法，为诊断成像诊所提供了重大进步，并为更高效、更准确和可扩展的肿瘤检测方法铺平了道路。

3. 使用机器学习模型对妊娠糖尿病产后血脂异常进行早期预测

Early prediction of postpartum dyslipidemia in gestational diabetes using machine learning models

(1) 目的：本研究旨在开发一个基于机器学习的模型，以使用妊娠早期临床数据预测产后血脂异常，并通过内部和时间验证评估该模型的稳健性。

(2) 结论：基于极端梯度提升（XGB)的妊娠糖尿病产后血脂异常预测模型在内部和外部验证中都显示出强大且一致的性能。通过引入新变量，该模型可以识别怀孕早期的高危人群，支持早期干预，并可能改善妊娠结局和减少并发症。

4. 通过可解释机器学习的局部晚期直肠癌淋巴结阴性对数几率的预后模型

Prognostic model for log odds of negative lymph node in locally advanced rectal cancer via interpretable machine learning

(1) 目的：旨在评估淋巴结阴性/T分期（LONT）的预后价值，并开发一个机器学习模型来预测接受新辅助放化疗（nCRT）治疗的局部晚期直肠癌 （LARC）患者的总生存期（OS）和无病生存期（DFS）。

(2) 结论：该研究开发了一个极端梯度提升（XGB）模型，利用LONT来预测接受nCRT的LARC 患者的OS和DFS。并构建了一个在线网络计算器，以促进模型的泛化并增强医生的决策。

5. 儿童川崎病的可解释机器学习辅助诊断模型

An interpretable machine learning-assisted diagnostic model for Kawasaki disease in children

(1) 目的：川崎病（KD）是一种常见于儿童的急性系统性血管炎综合征。由于其发病机制不明确且缺乏特异性诊断标志物，它容易与其他表现出相似症状的疾病混淆，从而难以早期和准确诊断。本研究旨在开发一种可解释的KD机器学习诊断模型。

(2) 结论：该模型的可解释性提高了模型的透明度，有助于临床医生理解预测的可靠性。

6. 利用swin transformer和深度学习模型集成，使用阴道镜图像进行宫颈癌筛查

Leveraging swin transformer with ensemble of deep learning model for cervical cancer screening using colposcopy images

(1) 目的：本研究提出了一种利用Swin Transformer（ST）与用于宫颈癌筛查的深度学习模型集成（LSTEDL-CCS）技术进行阴道镜检查图像。提出的LSTEDL-CCS技术旨在检测和分类阴道镜图像上的宫颈癌（CC）。

(2) 结论：LSTEDL-CCS方法的性能验证表明，与现有模型相比，其准确率高达99.44%。

7. 利用深度神经网络和语言模型预测精神分裂症的长期住院风险

Leveraging deep neural network and language models for predicting long-term hospitalization risk in schizophrenia

(1) 目的：精神分裂症（SCZ）患者入院时长期住院的早期预警对于有效的资源分配和个体治疗计划至关重要。在这项研究中，我们开发了一个深度学习模型，该模型整合了从入院开始的人口统计学、行为和血液测试数据，以使用回顾性队列预测延长的住院时间。

(2) 结论：本研究证明了整合不同数据类型以提高心理健康护理预测准确性的潜力，为SCZ管理的早期干预和个性化治疗提供了强大的框架。