心外膜与心包脂肪被区分为两种功能不同的心脏脂肪库，其影像量化正由深度学习分割与标准化方案推动走向心血管风险分层
这篇综述系统梳理了心外膜脂肪组织（EAT）与心包脂肪组织（PAT）的解剖、生理与病理角色，比较了CT、MRI与超声在量化这两种脂肪库时的优势与局限，指出深度学习分割（如Dice系数可达0.82至0.98）提升了准确性与可重复性，并汇总了影像学证据中EAT与心血管结局关联存在分歧、以及他汀、GLP-1受体激动剂、SGLT2抑制剂和生活方式干预可降低EAT体积的结果。
正在载入内容…
6 篇关联报道
这篇综述系统梳理了心外膜脂肪组织（EAT）与心包脂肪组织（PAT）的解剖、生理与病理角色，比较了CT、MRI与超声在量化这两种脂肪库时的优势与局限，指出深度学习分割（如Dice系数可达0.82至0.98）提升了准确性与可重复性，并汇总了影像学证据中EAT与心血管结局关联存在分歧、以及他汀、GLP-1受体激动剂、SGLT2抑制剂和生活方式干预可降低EAT体积的结果。
该研究利用2003至2023年共20年的海豚照片识别数据，拟合贝叶斯隐马尔可夫模型，估计澳大利亚Shark Bay西湾（WSB）与东湾（ESB）印太瓶鼻海豚（Tursiops aduncus）按年龄组划分的年存活率、丰度与补充率，并考察其与2011年海洋热浪引发的海草损失之间的关联，发现成年存活率在WSB由热浪前的0.99（0.98-1.00）降至热浪后的0.85（0.79-0.90）、在ESB由0.96（0.92-0.98）降至0.89（0.85-0.95），幼体和仔豚存活率下降幅度较小，两个海湾补充率均下降（WSB自2019年起出现恢复，ESB持续下降至研究结束），种群丰度在WSB下降39%、
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
这篇综述综合了急性卒中管理中可解释人工智能与公平性人工智能的现有文献，指出人工智能已在大血管闭塞检测、Alberta卒中项目早期CT评分和功能预后预测等任务上表现良好，但可解释性方法多为事后近似且很少被正式检验，公平性评估因人口统计学元数据有限、监管限制和缺乏卒中专用公平标准而少见，可解释性与公平性彼此脱节，泛化性也受数据集划分策略与报告实践影响，因此呼吁建立同时评估可解释性、公平性与泛化性的统一评价框架。
这项前瞻性队列研究纳入96名脊柱疼痛患者，在基线及1个月、3个月填写涵盖疼痛、情绪、睡眠、生活方式与治疗期望的问卷，以3个月时疼痛强度、功能障碍、生活质量与患者整体印象改善四个方面的二分恢复结局为目标，采用包含SHAP候选特征筛选、留一交叉验证与置换检验、泛化能力测试三步的机器学习框架，结果显示留一交叉验证AUC为0.93-0.99、集成交叉验证AUC为0.62-0.90，SHAP分析提示治疗期望积极、自我效能较高、年龄较轻、体质指数较低、合并症较少者恢复几率更高，心理功能障碍总体不利于恢复，而疼痛部位与疼痛持续时间对预测似乎不重要。
该工作提出，皮层-丘脑回路适合实现多头自注意力与交叉注意力：第2/3层锥体细胞维持循环的键-值记忆，第5层锥体细胞解码由传入查询检索到的记忆，键、值和查询的计算映射到核心与矩阵丘脑-皮层投射并分布于皮层区的微柱与宏柱，一个皮层区构成一个注意力头、皮层构成多头自注意力网络，同一丘脑-皮层微回路还计算引导梯度式突触可塑性的感觉预测误差，而奖赏预测误差经基底神经节门控皮层输出与海马记忆的再激活，训练后的网络与人类言语感知的颅内记录相符。
已读完全部报道