医学与健康

455 条内容

The FASEB Journal 2026年9月30日
该研究在KRAS突变型与野生型胰腺导管腺癌细胞（PANC-1、BxPC-3）及PANC-1皮下移植瘤模型中证明，天然多酚鞣花酸（EA）与GPX4抑制剂RSL3联用可协同降低细胞活力并抑制肿瘤生长，其机制是EA激活p38 MAPK、上调Keap1，从而抑制Nrf2/HO-1抗氧化轴，放大铁积累、脂质过氧化与GPX4下调等铁死亡标志，且Fer-1可挽救细胞活力而凋亡、坏死性凋亡、自噬抑制剂不能。
该研究在KRAS突变型与野生型胰腺导管腺癌细胞（PANC-1、BxPC-3）及PANC-1皮下移植瘤模型中证明，天然多酚鞣花酸（EA）与GPX4抑制剂RSL3联用可协同降低细胞活力并抑制肿瘤生长，其机制是EA激活p38 MAPK、上调Keap1，从而抑制Nrf2/HO-1抗氧化轴，放大铁积累、脂质过氧化与GPX4下调等铁死亡标志，且Fer-1可挽救细胞活力而凋亡、坏死性凋亡、自噬抑制剂不能。
鞣花酸通过激活p38并上调Keap1抑制Nrf2/HO-1，使RSL3在胰腺导管腺癌中诱导的铁死亡显著增强
该研究在KRAS突变型与野生型胰腺导管腺癌细胞（PANC-1、BxPC-3）及PANC-1皮下移植瘤模型中证明，天然多酚鞣花酸（EA）与GPX4抑制剂RSL3联用可协同降低细胞活力并抑制肿瘤生长，其机制是EA激活p38 MAPK、上调Keap1，从而抑制Nrf2/HO-1抗氧化轴，放大铁积累、脂质过氧化与GPX4下调等铁死亡标志，且Fer-1可挽救细胞活力而凋亡、坏死性凋亡、自噬抑制剂不能。
该研究在KRAS突变型与野生型胰腺导管腺癌细胞（PANC-1、BxPC-3）及PANC-1皮下移植瘤模型中证明，天然多酚鞣花酸（EA）与GPX4抑制剂RSL3联用可协同降低细胞活力并抑制肿瘤生长，其机制是EA激活p38 MAPK、上调Keap1，从而抑制Nrf2/HO-1抗氧化轴，放大铁积累、脂质过氧化与GPX4下调等铁死亡标志，且Fer-1可挽救细胞活力而凋亡、坏死性凋亡、自噬抑制剂不能。
Journal of Applied Health Sciences and Medicine 2026年9月30日
本文报告一例23岁男性以左侧颈部3×4 cm囊性肿块就诊、随吞咽移动但不随伸舌移动的病例，超声与颈部增强CT显示位于舌骨下方、甲状软骨上方并偏向左外侧的囊性病变，FNAC提示良性囊性病变可能为甲状舌管囊肿，患者接受Sistrunk手术（囊肿、瘘管及舌骨体一并切除），术后经过平稳，组织病理证实为左侧甲状舌管囊肿。
本文报告一例23岁男性以左侧颈部3×4 cm囊性肿块就诊、随吞咽移动但不随伸舌移动的病例，超声与颈部增强CT显示位于舌骨下方、甲状软骨上方并偏向左外侧的囊性病变，FNAC提示良性囊性病变可能为甲状舌管囊肿，患者接受Sistrunk手术（囊肿、瘘管及舌骨体一并切除），术后经过平稳，组织病理证实为左侧甲状舌管囊肿。
30岁男性左侧颈部肿块经影像与FNAC提示后，Sistrunk手术切除并病理证实为甲状舌管囊肿
本文报告一例23岁男性以左侧颈部3×4 cm囊性肿块就诊、随吞咽移动但不随伸舌移动的病例，超声与颈部增强CT显示位于舌骨下方、甲状软骨上方并偏向左外侧的囊性病变，FNAC提示良性囊性病变可能为甲状舌管囊肿，患者接受Sistrunk手术（囊肿、瘘管及舌骨体一并切除），术后经过平稳，组织病理证实为左侧甲状舌管囊肿。
本文报告一例23岁男性以左侧颈部3×4 cm囊性肿块就诊、随吞咽移动但不随伸舌移动的病例，超声与颈部增强CT显示位于舌骨下方、甲状软骨上方并偏向左外侧的囊性病变，FNAC提示良性囊性病变可能为甲状舌管囊肿，患者接受Sistrunk手术（囊肿、瘘管及舌骨体一并切除），术后经过平稳，组织病理证实为左侧甲状舌管囊肿。
发表出处待核验 2026年9月30日
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测
用定量MRI与数据驱动模型估计SV2A PET突触密度：3D U-Net在灰质区达到Pearson相关0.8838
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测
bioRxiv 2026年9月30日
该研究利用一个覆盖受精卵到终末体细胞身份的396节点人类细胞谱系树，检验器官水平标准代谢率（SMR）究竟由发育时间（谱系深度）还是终末命运身份（解剖区室）更好预测，发现谱系深度几乎不解释细胞代谢层级的变异（r=0.11，R2约1.2%），而区室身份解释约75%，且器官终末细胞类型的平均线粒体体积分数与文献来源的器官SMR在五个经典参考人体器官组中相关达r=0.90，并据此提出五层可计算框架与代谢承诺视界模型。
该研究利用一个覆盖受精卵到终末体细胞身份的396节点人类细胞谱系树，检验器官水平标准代谢率（SMR）究竟由发育时间（谱系深度）还是终末命运身份（解剖区室）更好预测，发现谱系深度几乎不解释细胞代谢层级的变异（r=0.11，R2约1.2%），而区室身份解释约75%，且器官终末细胞类型的平均线粒体体积分数与文献来源的器官SMR在五个经典参考人体器官组中相关达r=0.90，并据此提出五层可计算框架与代谢承诺视界模型。
研究用396节点人类细胞谱系树检验器官代谢率来源，发现解剖区室身份解释约75%的代谢层级变异，而谱系深度几乎不解释
该研究利用一个覆盖受精卵到终末体细胞身份的396节点人类细胞谱系树，检验器官水平标准代谢率（SMR）究竟由发育时间（谱系深度）还是终末命运身份（解剖区室）更好预测，发现谱系深度几乎不解释细胞代谢层级的变异（r=0.11，R2约1.2%），而区室身份解释约75%，且器官终末细胞类型的平均线粒体体积分数与文献来源的器官SMR在五个经典参考人体器官组中相关达r=0.90，并据此提出五层可计算框架与代谢承诺视界模型。
该研究利用一个覆盖受精卵到终末体细胞身份的396节点人类细胞谱系树，检验器官水平标准代谢率（SMR）究竟由发育时间（谱系深度）还是终末命运身份（解剖区室）更好预测，发现谱系深度几乎不解释细胞代谢层级的变异（r=0.11，R2约1.2%），而区室身份解释约75%，且器官终末细胞类型的平均线粒体体积分数与文献来源的器官SMR在五个经典参考人体器官组中相关达r=0.90，并据此提出五层可计算框架与代谢承诺视界模型。
medRxiv 2026年9月30日
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
门控注意力多实例学习在无需逐细胞标注下实现多中心宫颈细胞学全片分诊，MobileNetV2 达 90.96% 准确率、Xception 在域外达 80.43% 平衡准确率
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
该工作提出一种弱监督、免检测的多实例学习框架，用双分支门控注意力池化在整张宫颈细胞学切片层面做预测，把全片视为局部实例块的集合，从而无需单细胞边界框或像素级标注；在内部多中心队列（SIPaKMeD、Herlev、CRIC）与经无监督标记控制分水岭流程处理的域外 Mendeley LBC 验证队列上评估，结果显示轻量骨干 MobileNetV2 在同分布多中心准确率上最优（90.96% 准确率、0.9800 ROC-AUC），而容量更大的 Xception 在域移下域外稳健性更好（80.43% 平衡准确率）。
bioRxiv 2026年9月30日
研究者测试了一种动态调幅（dAM）包络跟随反应（EFR），用单一简短刺激扫过整个调制频谱，在组织学证实存在耳蜗神经退化（CND）的蒙古沙鼠中显示出快速调制速率下的选择性缺陷而无阈值升高，并用机器学习分类器高准确度区分年轻与中年动物，其最具信息量的特征（约400-500 Hz功率）与突触计数相关；该沙鼠训练的模型未经再训练即应用于56名人类听者，以高于随机的水平区分年龄组。
研究者测试了一种动态调幅（dAM）包络跟随反应（EFR），用单一简短刺激扫过整个调制频谱，在组织学证实存在耳蜗神经退化（CND）的蒙古沙鼠中显示出快速调制速率下的选择性缺陷而无阈值升高，并用机器学习分类器高准确度区分年轻与中年动物，其最具信息量的特征（约400-500 Hz功率）与突触计数相关；该沙鼠训练的模型未经再训练即应用于56名人类听者，以高于随机的水平区分年龄组。
单次短刺激的动态调幅包络跟随反应配合机器学习，在沙鼠中读出耳蜗神经退化并跨物种迁移到人类听者
研究者测试了一种动态调幅（dAM）包络跟随反应（EFR），用单一简短刺激扫过整个调制频谱，在组织学证实存在耳蜗神经退化（CND）的蒙古沙鼠中显示出快速调制速率下的选择性缺陷而无阈值升高，并用机器学习分类器高准确度区分年轻与中年动物，其最具信息量的特征（约400-500 Hz功率）与突触计数相关；该沙鼠训练的模型未经再训练即应用于56名人类听者，以高于随机的水平区分年龄组。
研究者测试了一种动态调幅（dAM）包络跟随反应（EFR），用单一简短刺激扫过整个调制频谱，在组织学证实存在耳蜗神经退化（CND）的蒙古沙鼠中显示出快速调制速率下的选择性缺陷而无阈值升高，并用机器学习分类器高准确度区分年轻与中年动物，其最具信息量的特征（约400-500 Hz功率）与突触计数相关；该沙鼠训练的模型未经再训练即应用于56名人类听者，以高于随机的水平区分年龄组。
Natural Sciences and Applied Technology 2026年9月30日
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
模糊排序特征选择加H2O AutoML集成，在两个公开宫颈癌数据集上取得最高95.1%准确率与98.1% AUC
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架，用模糊排序特征选择（FRFS）综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子，再由 H2O AutoML 自动构建集成模型，并用 SHAP 与 LIME 提供全局与患者级解释；在两个公开宫颈癌数据集上以分层五折交叉验证评估，每折仅对训练集施加 SMOTE 以避免信息泄漏，报告的最高准确率为 95.1%、AUC 为 98.1%，优于传统机器学习模型与基线 H2O AutoML 框架。
Acta Scientiae 2026年9月30日
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
综述指出：融合行为、遗传、影像等多模态数据的AI与GAN增强方法有望提升自闭症谱系障碍筛查，但受限于数据不足、类别不平衡与外部临床验证缺乏
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
Nature News 2026年9月30日
Ibáñez 团队在《Science Advances》报告了一种“语音时钟”：他们录制了来自阿根廷、智利、哥伦比亚、墨西哥和秘鲁的 2,928 名西班牙语使用者的多种语音任务，用机器学习从录音中提取 700 多项随衰老和痴呆变化的语音特征（如音高、词汇范围），训练模型预测年龄并计算“语音年龄差”，结果显示该时钟能区分健康人与有某种认知障碍的人，认知问题者的语音被判定为比其实际年龄更老，而健康人的语音年龄通常与实际年龄相符。
Ibáñez 团队在《Science Advances》报告了一种“语音时钟”：他们录制了来自阿根廷、智利、哥伦比亚、墨西哥和秘鲁的 2,928 名西班牙语使用者的多种语音任务，用机器学习从录音中提取 700 多项随衰老和痴呆变化的语音特征（如音高、词汇范围），训练模型预测年龄并计算“语音年龄差”，结果显示该时钟能区分健康人与有某种认知障碍的人，认知问题者的语音被判定为比其实际年龄更老，而健康人的语音年龄通常与实际年龄相符。
AI“语音时钟”用四分钟录音估算衰老速度，并把认知障碍者的语音判为更老
Ibáñez 团队在《Science Advances》报告了一种“语音时钟”：他们录制了来自阿根廷、智利、哥伦比亚、墨西哥和秘鲁的 2,928 名西班牙语使用者的多种语音任务，用机器学习从录音中提取 700 多项随衰老和痴呆变化的语音特征（如音高、词汇范围），训练模型预测年龄并计算“语音年龄差”，结果显示该时钟能区分健康人与有某种认知障碍的人，认知问题者的语音被判定为比其实际年龄更老，而健康人的语音年龄通常与实际年龄相符。
Ibáñez 团队在《Science Advances》报告了一种“语音时钟”：他们录制了来自阿根廷、智利、哥伦比亚、墨西哥和秘鲁的 2,928 名西班牙语使用者的多种语音任务，用机器学习从录音中提取 700 多项随衰老和痴呆变化的语音特征（如音高、词汇范围），训练模型预测年龄并计算“语音年龄差”，结果显示该时钟能区分健康人与有某种认知障碍的人，认知问题者的语音被判定为比其实际年龄更老，而健康人的语音年龄通常与实际年龄相符。
Microsoft Research 2026年9月29日
微软研究院推出 Quine，一个把跨序列、结构、功能、细胞状态与影像等多模态数据联合训练的世界模型与连接科学工具、文献、湿实验和科研人员的交互式 harness 相结合的研究系统，并与 Broad Institute 合作在胰腺导管腺癌（PDAC）中用它从数千个化合物中预测并排序可驱动治疗相关细胞状态转变的候选物，湿实验显示排名最高的化合物产生最大的预期状态转变，整个从缩小搜索空间到锁定少数候选物的过程仅用一个周末，同时实验还验证了模型关于第三个表型的预测。
微软研究院推出 Quine，一个把跨序列、结构、功能、细胞状态与影像等多模态数据联合训练的世界模型与连接科学工具、文献、湿实验和科研人员的交互式 harness 相结合的研究系统，并与 Broad Institute 合作在胰腺导管腺癌（PDAC）中用它从数千个化合物中预测并排序可驱动治疗相关细胞状态转变的候选物，湿实验显示排名最高的化合物产生最大的预期状态转变，整个从缩小搜索空间到锁定少数候选物的过程仅用一个周末，同时实验还验证了模型关于第三个表型的预测。
微软研究院发布 Quine：多模态生物学世界模型在胰腺癌中筛出可驱动肿瘤状态转变的化合物，一个周末完成候选优先级排序
微软研究院推出 Quine，一个把跨序列、结构、功能、细胞状态与影像等多模态数据联合训练的世界模型与连接科学工具、文献、湿实验和科研人员的交互式 harness 相结合的研究系统，并与 Broad Institute 合作在胰腺导管腺癌（PDAC）中用它从数千个化合物中预测并排序可驱动治疗相关细胞状态转变的候选物，湿实验显示排名最高的化合物产生最大的预期状态转变，整个从缩小搜索空间到锁定少数候选物的过程仅用一个周末，同时实验还验证了模型关于第三个表型的预测。
微软研究院推出 Quine，一个把跨序列、结构、功能、细胞状态与影像等多模态数据联合训练的世界模型与连接科学工具、文献、湿实验和科研人员的交互式 harness 相结合的研究系统，并与 Broad Institute 合作在胰腺导管腺癌（PDAC）中用它从数千个化合物中预测并排序可驱动治疗相关细胞状态转变的候选物，湿实验显示排名最高的化合物产生最大的预期状态转变，整个从缩小搜索空间到锁定少数候选物的过程仅用一个周末，同时实验还验证了模型关于第三个表型的预测。

第 5 页 · 当前显示 10 项