缺失值不再一律填补：把患者建成知识图谱，聚类质量在三种缺失机制下都不塌
在过敏与临床免疫专科队列上，一种把患者和临床发现建成知识图谱、再用图嵌入聚类的表示方法，在随机缺失、条件缺失和值依赖缺失三种设定下都没有出现聚类质量崩塌。此前常用的“先填补、再降维、后聚类”流程在值依赖缺失下表现最差，而填补会把未检测的抗体与确认阴性混为一谈。
SpaCEy用可解释图神经网络把组织空间模式与临床结局相连，在肺癌与乳腺癌队列中同时提升预测并给出空间标记物
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
影像组学在神经肿瘤学中的应用：进展、临床应用与实施挑战的叙述性综述
该叙述性综述检索了PubMed、Scopus和Web of Science（2012—2024年）的文献，梳理影像组学与人工智能在神经肿瘤学中的诊断、预后和治疗潜力，指出影像组学可从MRI、CT和PET/CT中自动提取人眼难以察觉的定量特征，已显示在胶质瘤术前分类、生存预测以及区分肿瘤进展与假性进展方面具有价值，与深度学习结合可能提升诊断准确性并支持基于IDH、MGMT等分子标志物的患者分层，影像基因组学则将影像表型与基因改变相联系以促进个体化医疗，但方案缺乏标准化、分割变异以及经过验证的多中心研究稀缺等局限仍然存在，因此在最终融入临床实践之前仍需前瞻性验证与方法学标准化。
已读完全部报道