阿尔茨海默病分类模型不再把年龄当捷径：残差化去偏让认知正常与轻度认知障碍组的年龄相关性接近零
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
正在载入内容…
15 篇关联报道
在三个独立队列的结构MRI上，阿尔茨海默病分类模型会把年龄当作捷径：年龄越大，被赋予的患病风险越高。把年龄效应在特征空间里做线性残差化（PMDN）后，认知正常与轻度认知障碍组的年龄—预测相关性降到接近零，平衡准确率0.71、Brier分数约0.22，且折间波动明显小于对抗训练方案CF-Net。事后校准进一步压低概率误差，但等渗回归与贝叶斯分箱这类非参数方法效果最好。
脓毒症早期识别常在患者到达急诊分诊时就要做出，但神经网络只给出概率，临床医生难以核对依据。ShAprox把每个特征的沙普利值拟合成曲线或均值，再与基准率相加得到预测概率，使决策过程成为可直接阅读的加和式。在两个NHS信托共28072次就诊记录上，ShAprox外部测试AUC为0.824，与神经网络的0.818相当，且训练与内部测试表现更接近。
心脏磁共振的判读不再只靠射血分数等预设指标：为每位受检者按年龄、性别和体型生成一个健康心脏数字孪生，偏离它的程度在保留射血分数人群中仍能改善房颤风险分层。
语言模型被当作表示生成器，直接产出可执行的电池快充控制策略，在物理仿真中把100次循环后的健康状态比多段恒流基线提高约4.2%。
一个由41位国际多学科专家组成的工作组系统检索了截至2025年3月17日的922篇文献，将2016年仅针对特发性肺纤维化（IPF）的急性加重（AE）定义修订为适用于全部纤维化间质性肺病（fILD）的AE-fILD定义（以弥漫性肺泡损伤为核心，伴或不伴机化性肺炎），并提出“急性呼吸恶化（ARW）”这一更广的概念框架以涵盖非DAD所致的急性呼吸恶化，同时汇总了流行病学、危险因素、预后与治疗证据，并讨论了AE作为临床试验终点的可行性。
该研究采用三轮改良德尔菲法，由45名糖尿病、肥胖和/或进食障碍领域的临床医生与研究者以及有亲身经历者组成的小组，就GLP-1受体激动剂在进食障碍情境下的使用达成平均91.7%的共识，提出用药前筛查、按风险分层监测、标准化教育材料、合并循证心理治疗等临床建议，并明确在活动性进食障碍（尤其厌食症、非典型厌食症及伴明显饮食限制和/或显著体重抑制的贪食症）中一般应避免使用GLP-1受体激动剂，同时列出流行病学、监管与暴食障碍临床试验的研究优先事项。
该工作提出 AbSteering 框架，通过异常中心思维链训练与基于直接偏好优化的细粒度异常判别两阶段方法，将通用视频语言模型适配到高分辨率 CT 报告生成，并构建 CT-RATE-AB 数据集；结果显示通用视频语言模型在有限数据下可有效迁移到三维医学影像，在细粒度临床效能指标上达到当前最优，检出敏感度优于用大规模 CT 预训练的领域专用 CT 基础模型，同时减少幻觉。
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
该工作提出 Latent-to-Latent Flow（L2L-Flow），先用体积标签自编码器把标签压到潜空间，再在图像条件潜先验与冻结的标签潜表示之间学习整流流，从而在放疗临床靶区（55例、5折交叉验证）和 CURVAS 多器官数据集（90例）上实现随机分割，推理速度比全分辨率 Flow-SSN 快约14倍（0.936 秒/图 对 15.296 秒/图），GED 为 0.161，并同时提出时间偏移噪声调度以改善 Flow-SSN 在高维体积数据上的稳定性。