University Hospital Heidelberg

5 篇关联报道

npj Precision Oncology 2026年10月16日
标准流程判为PTEN野生型的样本里，模型又找出33例缺失，其中75%染色证实蛋白丢失
德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据，专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均，局灶事件达不到倍数变化阈值；模型在204例被判为PTEN野生型的样本中报出33例缺失，其中20例有组织可染色，15例显示PTEN蛋白缺失或明显降低。
德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据，专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均，局灶事件达不到倍数变化阈值；模型在204例被判为PTEN野生型的样本中报出33例缺失，其中20例有组织可染色，15例显示PTEN蛋白缺失或明显降低。
Boston Children's Hospital Universität Greifswald University Hospital Heidelberg National Center for Tumor Diseases Nationales Centrum für Tumorerkrankungen Dresden Helmholtz-Zentrum Dresden-Rossendorf Universitätsmedizin Greifswald Technical University of Munich Sascha Brückmann Andreas Hartig Rebecca Prause Oleksandr Husak Thomas Gross Doreen William Karsten Wendt Dorothea Hanf
SHAP特征归因机器学习梯度提升树（XGBoost）外部验证
Nature Communications 2026年9月26日
SpaCEy用可解释图神经网络把组织空间模式与临床结局相连，在肺癌与乳腺癌队列中同时提升预测并给出空间标记物
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
作者提出SpaCEy（Spatial Clinical Explainability），一种可解释图神经网络：把每个组织样本按Delaunay三角剖分建成空间图，节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入，用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性，从而定位与临床结局相关的连续空间区域和关键蛋白；在416例肺腺癌队列预测进展（准确率0.68、F1 0.68、AUC 0.62，优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52），在720样本JacksonFischer与460样本METAB
University Hospital Heidelberg Middle East Technical University European Bioinformatics Institute University of Zurich Heidelberg University Max Delbrück Center Deniz Germen Egle Helene Ervin Ahmet Süreyya Rifaioğlu Jovan Tanevski Bernd Bodenmiller Julio Sáez-Rodríguez Ahmet Sarıgün
单细胞分析可解释人工智能图神经网络
arXiv 2026年9月24日
用七个模型替换四个腹部CT数据集的人工标注后，预训练对标签质量的依赖消失，而直接部署仍高度依赖
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上，用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签，构造不同质量的标签版本，再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调；结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量，而预训练后微调在绝大多数设置下显著优于无预训练基线，且预训练标签质量高低不再明显影响下游结果。
University Hospital Heidelberg Essen University Hospital Heidelberg University Karlsruhe Institute of Technology Jiale Wei Constantin Seibold Rainer Stiefelhagen Jens Kleesiek Alexander Jaus Zdravko Marinov Simon Reiß
Clinical practice guidelines implementation
Studies in health technology and informatics 2026年9月17日
本地大语言模型在德国医生信件中检测口服抗凝治疗的指南驱动转变
该研究使用院内本地部署的微调 Llama-3.1-70b 药物信息抽取流程，对 2012 年 538 封无金标准标注的常规医生信件进行自动抽取，并与 2020/21 年 500 封 CARDIO:DE 信件（使用金标准标注）对比，发现直接口服抗凝药（DOAC）占比从 16.9% 升至 59.9%，维生素 K 拮抗剂（VKA）占比从 37.7% 降至 9.9%，DOAC 内主导活性成分由利伐沙班转为阿哌沙班，且人工复核显示残余错误主要与通用药物提及和缺失的药物-原因关系有关，而非抽取本身错误。
该研究使用院内本地部署的微调 Llama-3.1-70b 药物信息抽取流程，对 2012 年 538 封无金标准标注的常规医生信件进行自动抽取，并与 2020/21 年 500 封 CARDIO:DE 信件（使用金标准标注）对比，发现直接口服抗凝药（DOAC）占比从 16.9% 升至 59.9%，维生素 K 拮抗剂（VKA）占比从 37.7% 降至 9.9%，DOAC 内主导活性成分由利伐沙班转为阿哌沙班，且人工复核显示残余错误主要与通用药物提及和缺失的药物-原因关系有关，而非抽取本身错误。
University Hospital Heidelberg German Centre for Cardiovascular Research Christoph Dieterich Phillip Richter-Pechanski
大语言模型生物医学信息抽取微调
Nature Medicine 2026年9月15日
院内本地部署的医疗AI智能体：面向可靠临床决策的探索
该研究开发并评估了一个完全本地部署的临床AI智能体，将本地运行控制与多视角可靠性框架结合以支持选择性自主，在两个基于MIMIC-IV的基准上分别达到90.04%（七病种任务）和83.8%（四病种任务）的准确率，并发现诊断行为一致性对判断正确性的区分能力最强（AUC=0.860，压力测试下AUC=0.875），在一致性阈值0.90时可保留49.4%的病例且诊断准确率达98.9%。
该研究开发并评估了一个完全本地部署的临床AI智能体，将本地运行控制与多视角可靠性框架结合以支持选择性自主，在两个基于MIMIC-IV的基准上分别达到90.04%（七病种任务）和83.8%（四病种任务）的准确率，并发现诊断行为一致性对判断正确性的区分能力最强（AUC=0.860，压力测试下AUC=0.875），在一致性阈值0.90时可保留49.4%的病例且诊断准确率达98.9%。
University Hospital Heidelberg National Center for Tumor Diseases University of Leeds Inserm Else Kröner Fresenius Center for Digital Health Institut Gustave Roussy Université Paris-Saclay Technische Universität Dresden Catharina Wichmann Elena E. Möhrmann Julien Vibert Fabian Wolf Zunamys Itzell Carrero Georg Wölflein Jakob Nikolas Kather Junhao Liang
大语言模型临床AI智能体决策时不确定性估计

已读完全部报道

标准流程判为PTEN野生型的样本里，模型又找出33例缺失，其中75%染色证实蛋白丢失

SpaCEy用可解释图神经网络把组织空间模式与临床结局相连，在肺癌与乳腺癌队列中同时提升预测并给出空间标记物

用七个模型替换四个腹部CT数据集的人工标注后，预训练对标签质量的依赖消失，而直接部署仍高度依赖

本地大语言模型在德国医生信件中检测口服抗凝治疗的指南驱动转变

院内本地部署的医疗AI智能体：面向可靠临床决策的探索