Blank Bio发布Ladon：30亿参数RNA基础模型在6项留出临床试验中预测免疫治疗应答
Blank Bio发布转录组基础模型Ladon，参数规模30亿，在数百万条RNA-seq样本上以自监督目标预训练，用于从治疗前表达数据预测患者预后与治疗应答。在膀胱癌、肾癌、肺癌和肝癌的6项留出临床试验中，Ladon在免疫治疗应答预测上显著优于包括PD-L1表达在内的全部基线；在POPLAR试验上构建的评分显示出预测性而非仅预后性的特征。
医疗事件生成模型 Curiosity-0826-4B 扩到儿科：零样本预测哮喘与再入院，实验室值误差降 18–46%
Curiosity-0826-4B 把基于 Epic Cosmos 病历的生成式医疗事件基础模型从成人扩展到儿科，并加入死亡与右删失的显式表示。模型参数从 1B 增至 4.3B、上下文从 8K 增至 16K，在两者都支持的任务上总体持平或超过 Curiosity-0226-1B，实验室值预测的平均绝对误差降低 18–46%。儿科哮喘新发与急性发作的 AUROC 与成人参照队列相当，镰状细胞危象则低于成人。
审计临床预测网络不必看权重：GPT-6 Astra 接入计算工具后，在 38,401 权重网络上全部找回植入关系
临床预测模型常以文件形式交付、训练数据不随之公开，审计者需要判断它究竟算出了什么。研究者在模拟的蛛网膜下腔出血队列上训练 105 至 38,401 权重的 tanh 网络，并植入已知关系或标签偏差，让 GPT-6 Astra 在无工具、白盒计算工具和仅给预测的黑盒工具三种条件下作答。无工具时 Astra 在 353 权重网络上找回植入关系，到 3,457 权重便不可靠；接入只做计算的工具后，它在全部 29 次含植入关系的运行中找回关系，15 次零网络运行未报假警，黑盒与白盒表现相当。
重症监护排班不必为每个问题重建状态：一个冻结的患者世界模型同时支撑入院、护理与转出仿真
重症监护的资源规划长期依赖为单一政策问题手工设定的紧凑状态转移模型，换一个问题就要重新定义状态。一个在MIMIC-IV上训练后冻结的患者世界模型，把不规则电子病历编码为状态—事件序列，并按仿真器请求的任意时间间隔给出预测，再通过场景专属映射接入共享床位与人员队列。在入院、护理派工和转出三类仿真中，它与按任务拟合的马尔可夫和半马尔可夫模型在容量与派工政策的方向性响应上一致，并复现了回放真实轨迹得到的派工收益。
同一个临床基础模型，两种用法各赢一场：风险预测靠表示，同日医嘱靠生成
在377万患者病历上预训练的65M参数临床基础模型FERMAT，把同一模型的两种用法放在同一批患者上比较：五年肾病、脂肪肝、糖尿病风险由患者表示预测更准，而预测同一天记录的诊断、处方和操作则由生成轨迹更准。
临床预测模型上线前先给数据打分：五维画像能标出缺陷，却排不准危害大小
临床预测模型的质量取决于训练数据，但缺失率、类别比例这类单指标与模型上线后的表现没有直接挂钩。一项在MIMIC-IV三个队列和eICU多中心数据库上开展的探索性基准，把数据质量拆成完整性、标签噪声、分布相似性、代表性和时间完整性五个分量，每个受控条件下都真实训练模型并测量留出患者上的对数损失与校准变化。复合分数在三个受控队列中方向一致，但联合两种损坏时危害呈次可加而非相乘，且在21家可分析eICU医院上只与校准相关、与判别力无可检测关联。
重症监护有了一个不用任务标签的生成式数字孪生：13个终点AUROC 0.83–0.98，20个预测器中排第一
一个123.5M参数的生成式模型Didymos在五个国家七个重症数据库的409,297例住院上一次性训练，不使用任务标签，靠采样患者未来来回答预测问题。在留出数据上，它从模拟未来读出13个主要终点的AUROC为0.83–0.98，在20个预测器中平均排名第一，包括有标签训练的LightGBM与TabPFN-3.5。它模拟的治疗反应与九项观察对照中的八项一致，但在俄罗斯与中国两家未参与训练的医院，仍需用当地无标签住院做数分钟继续训练才能追平本地有监督模型。
RASPER 用下游预测奖励对齐出院小结摘要，在 MIMIC-III 与 MIMIC-IV 的再入院预测和用药推荐上稳定优于强基线
该工作提出 RASPER，一个面向 EHR 预测的奖励对齐摘要器：它用可调 LLM 摘要器从出院小结中抽取任务相关证据，以强化学习方式、用下游预测器损失导出的奖励进行训练，并用纵向编码器把结构化编码转成软提示以注入患者临床背景，从而让摘要保留与结构化编码互补的患者特异证据；在 MIMIC-III 和 MIMIC-IV 上的再入院预测与用药推荐任务中，RASPER 稳定优于强基线。
已读完全部报道