03.17-03.23 临床预测模型研究顶刊快报

1. 印度深度学习糖尿病视网膜病变算法的性能  3.19  JAMA Network Open 

2. 帕金森病的自动成像鉴别  3.17  JAMA Neurology

3. Phoenix脓毒症评分在疑似社区获得性脓毒症患儿中的外部验证  3.21  JAMA Network Open

1. 使用基于transformer的深度学习识别心力衰竭亚型造型：一项针对379108人的人群研究  3.19  eBioMedicine

2. 深度学习为放射学和病理学的多模式融合提供了信息，以预测HPV相关口咽鳞状细胞癌的预后  3.22  eBioMedicine

1. 机器学习揭示了认知未受损个体心血管和代谢疾病的不同神经解剖特征  3.19  Nature   Communications

2. 使用机器学习的磷酸化位点共调节破译暗癌磷酸化蛋白质组  3.20  Nature   Communications

1. 印度深度学习糖尿病视网膜病变算法的性能

Performance of a Deep Learning Diabetic Retinopathy Algorithm in India

(1) 目的：评估自动视网膜疾病评估（ARDA）算法在印度Aravind眼科医院部署后环境中的临床性能。

(2) 解释：在这项调查ARDA临床表现的横断面研究中，对严重非增殖性糖尿病性视网膜病变（NPDR）和增殖性糖尿病性视网膜病变（ PDR）的敏感性和特异性超过96%，并发现100%的严重NPDR和PDR患者需要眼科转诊。这份初步的大规模上市后报告在印度筛查了600000名患者后ARDA的性能，强调了监测和发布算法临床性能的重要性，这与监管机构的建议一致。

2. 帕金森病的自动成像鉴别

Automated Imaging Differentiation for Parkinsonism

(1) 目的 ：磁共振成像（MRI）与适当的疾病特异性机器学习相结合，有望实现帕金森病（PD）、多系统萎缩（MSA）帕金森病变异型和进行性核上性麻痹（PSP）的临床鉴别。需要一项前瞻性研究来测试该方法是否满足诊断性检查中要考虑的主要终点。使用3-T磁共振成像和支持向量机（SVM）学习评估帕金森病自动成像鉴别（AIDP）的判别性能。

(2) 解释：这项AIDP的前瞻性多中心队列研究达到了其主要终点。结果表明，在常见帕金森综合征的诊断性检查中使用AIDP。

 3. Phoenix脓毒症评分在疑似社区获得性脓毒症患儿中的外部验证

External Validation of the Phoenix Sepsis Score in Children With Suspected Community-Acquired Sepsis

(1) 目的：对疑似社区获得性脓毒症住院儿童队列的Phoenix脓毒症评分和脓毒症标准进行外部验证

(2) 结论：在这项针对疑似脓毒症住院儿童的多中心诊断研究中，Phoenix脓毒症评分和脓毒症标准与原始推导和验证队列的性能相似。符合Phoenix脓毒症标准的儿童比例小、数据缺失、应用时间以及对院内死亡率缺乏敏感性限制了该标准的临床实用性。

1. 使用基于transformer的深度学习识别心力衰竭亚型造型：一项针对379108人的人群研究

Identification of heart failure subtypes using transformer-based deep learning modelling: a population-based study of 379,108 individuals

(1) 背景：心力衰竭（HF）是一种复杂的综合征，具有不同的表现和进展模式。基于左心室射血分数（LVEF）的传统分类系统在捕捉HF的异质性方面存在局限性。我们旨在探索深度学习的应用，特别是基于Transformer的方法，以分析电子健康记录（EHR）以对HF患者进行精细亚型的分析。

(2) 解释：本研究确定了7种不同的亚型，包括COPD相关亚组和甲状腺功能障碍相关亚组，这是两个高风险亚组，在以前的亚型分析中未被识别。这些见解为进一步研究量身定制的有效HF管理策略奠定了基础。

 2. 深度学习为放射学和病理学的多模式融合提供了信息，以预测HPV相关口咽鳞状细胞癌的预后

Deep learning informed multimodal fusion of radiology and pathology to predict outcomes in HPV-associated oropharyngeal squamous cell carcinoma

(1) 目的：我们的目标是预测人瘤病毒（HPV）相关口咽鳞状细胞癌（OPSCC）的预后，OPSCC是头颈癌的一种亚型，其特征是临床结果改善和对治疗反应更好。OPSCC已经独立开发了以病理学和放射学为重点的基于AI的预后模型，但它们的整合包括原发性肿瘤（PT）和转移性颈部淋巴结（LN）仍未得到检验。

(2) 解释：我们的研究结果强调了多模态深度学习在准确分层OPSCC风险、为量身定制的治疗策略提供信息以及可能改进现有治疗算法方面的潜力。

1. 机器学习揭示了认知未受损个体心血管和代谢疾病的不同神经解剖特征

Machine learning reveals distinct neuroanatomical signatures of cardiovascular and metabolic diseases in cognitively unimpaired individuals

摘要：共病的心血管和代谢危险因素（CVM）对大脑结构的影响不同并增加痴呆风险，但其特异性磁共振成像特征（MRI）仍然难以表征。为了解决这个问题，开发并验证了机器学习模型，以量化患者层面与高血压、高脂血症、吸烟、肥胖和2型糖尿病相关的萎缩和白质高信号的不同空间模式。使用一个包含10项队列研究的大型跨国数据集中，生成了5个计算机严重程度标志物。将CVM特异性大脑特征的个性化测量整合到表型框架中可以指导临床研究中的早期风险检测和分层。

 2. 使用机器学习的磷酸化位点共调节破译暗癌磷酸化蛋白质组

Deciphering the dark cancer phosphoproteome using machine-learned co-regulation of phosphosites

摘要：基于质谱的磷酸化蛋白质组学提供了蛋白质磷酸化的全面视图，但对大多数磷酸化位点的调节和功能的了解有限，阻碍了对有意义的生物学见解的提取。为了应对这一挑战，将机器学习与来自11种癌症类型的1195个肿瘤标本的磷酸化蛋白质组学数据相结合，以构建CoPheeMap，这是一个绘制26280个磷酸化位点共调控的网络。通过将CoPheeMap中的网络特征整合到第二个机器学习模型CoPheeKSA中，在预测激酶-底物关联方面取得了卓越的性能。CoPheeKSA揭示了9399个磷酸位点和104个丝氨酸/苏氨酸激酶之间的24015个关联，揭示了许多未注释的磷酸位点和研究不足的激酶。使用实验确定的激酶-底物特异性来验证这些预测的准确性。通过将CoPheeMap和CoPheeKSA应用于具有高计算预测功能意义的磷酸化位点和与癌症相关的磷酸化位点，证明了它们在系统阐明感兴趣的磷酸化位点方面的有效性。这些分析揭示了人类癌症中信号转导过程失调，并将研究不足的激酶确定为潜在的治疗靶点。