University of Catania

本文评估了眼科图像处理中高性能人工智能系统为何很少转化为患者结局的改善，指出像素级性能指标与临床意义之间存在落差，并将数据偏倚、域偏移与标签噪声以及缺乏前瞻性随机部署试验列为主要障碍，同时提出严格外部验证、既定决策标准、真实临床环境中的持续监测、透明报告规范与人为因素工程等弥合路径，目标指向青光眼、糖尿病视网膜病变以及黄斑病变（糖尿病性黄斑水肿与年龄相关性黄斑变性）的诊断精度提升。

本文评估了眼科图像处理中高性能人工智能系统为何很少转化为患者结局的改善，指出像素级性能指标与临床意义之间存在落差，并将数据偏倚、域偏移与标签噪声以及缺乏前瞻性随机部署试验列为主要障碍，同时提出严格外部验证、既定决策标准、真实临床环境中的持续监测、透明报告规范与人为因素工程等弥合路径，目标指向青光眼、糖尿病视网膜病变以及黄斑病变（糖尿病性黄斑水肿与年龄相关性黄斑变性）的诊断精度提升。

该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。

该工作提出 LLMsFold 计算框架，用几何方法识别靶蛋白结合口袋，由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子，再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化，在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子，其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72，CD19 Pocket 1 候选预测 pIC50 约 7.73。