各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第四周的第一篇顶刊分享

【Ai医学 顶刊速递】

【题目】用于预测中风单位心房颤动的人工智能：一项回顾性推导验证队列研究
【DOI】https://doi.org/10.1016/j.ebiom.2025.105869
【背景】：阵发性心房颤动 （AF） 是中风的主要原因，但在常规临床实践中通常未被发现。需要有效的分层来确定可能从强化 AF 筛查中获益最多的卒中患者。已经提出了几种人工智能模型来预测窦性心律中基于心电图的 AF，但广泛的实施受到限制。AF 预测最有价值的输入特征和最有效的模型设计也不清楚。
【方法】：利用 2020 年 9 月至 2023 年 8 月期间在德国柏林夏里特住院的中风患者的入院后 72 小时的连续心电图监测 （CEM） 记录和多种临床输入特征，开发并测试了 AF 预测模型。比较了不同的模型和输入数据，以确定预测 AF 的最佳模型。评估了不同输入数据源的相对贡献的可解释性。使用前瞻性多中心 MonDAFIS 研究干预组的第一个小时监测数据对最终模型进行了外部验证。
【发现】：推导数据集包括 2068 名急性缺血性中风患者，其中 469 名 （22.7%） 患有房颤，在指数住院前或住院期间首次发现（366 人对 103 人）。在预测新检测到的 AF 时，贝叶斯融合模型是最好的，ROC-AUC 为 0.89（95% CI：0.80,0.96）。模型内省表明，HRV 是模型预测的主要驱动因素。使用 CEM 数据第一个小时的年龄和 HRV 参数的最终简化的基于树的集合模型取得了类似的性能（ROC-AUC 0.88,95%CI：0.79,0.95）。最终模型在 MonDAFIS 数据集的真实场景外部验证中始终优于 AS5F 评分（1519 名患者，其中 36 名 （2.37%） 患有 AF;ROC-AUC 0.79 与 ROC-AUC 0.69，p = 4.69e-03）。
【解释】：HRV 似乎是预测 AF 信息量最大的变量。计算成本低的模型只需要 1 小时的单导联 CEM 数据和患者的年龄，支持预测急性缺血性中风后长达 7 天的 AF。这种模型可以实现基于风险的心脏监测分层，优先考虑最需要的工作，以提高房颤筛查效率，并最终进行二级中风预防。

各位哥哥姐姐弟弟妹妹大家好！我们的AI与医学期刊分享来啦~这是第三周的第一篇顶刊分享

【Ai医学 顶刊速递】
滤泡型甲状腺肿瘤的人工智能增强超声诊断：一项多中心回顾性研究
DOI：10.1016/j.eclinm.2025.103351

【背景】：传统的诊断工具，包括超声、细针穿刺细胞学和术中冰冻切片病理学，可能无法可靠地区分良性和恶性滤泡型甲状腺肿瘤（FN），导致不必要或不充分的手术干预。旨在开发和验证一种深度学习 （DL） 系统，用于使用常规超声图像进行 FN 术前诊断 ，目的是提高诊断准确性并减少不必要的程序 。

【方法】：在这项多中心回顾性研究中，纳入了来自中国 11 个中心的 3817 名明确诊断为 FN 的患者（2877 名 [75.4%] 女性）。所有患者均接受术前超声检查。该数据集包括 9393 张超声图像，包括 2012 年至 2025 年间收集的甲状腺滤泡性腺瘤 （n = 1787,4317 张图像）、滤泡癌（n = 446、1593 张图像）和甲状腺状癌滤泡变异（n = 1584,3483 张图像）。在包含 2728 名患者（6625 张图像）的数据集上开发了最先进的 OverLoCK（Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels），并在内部队列（n = 683,1905 张图像）和外部队列（n = 406,863 张图像）上进行了验证。使用曲线下面积 （AUC）、准确度、敏感性、特异性、阳性预测值 （PPV）、阴性预测值 （NPV） 和 F1 评分来评估模型性能。使用校准曲线评估模型校准，同时通过决策曲线分析 （DCA） 评估临床有用性。

【发现】：OverLoCK 模型在内部和外部验证集中都表现出优异的性能。在内部验证队列中，OverLoCK 模型的 AUC 为 0.937（95%置信区间[CI]：0.919–0.954），准确率为 90.9%（95%CI：87.7–92.0），灵敏度为 93.9%（95%CI：91.5–95.6），特异性为 84.8%（95%CI：82.6–86.0），PPV 为 92.7%（95%CI：90.7–93.8），NPV 为 87.2%（95%CI：86.0–91.0），F1 评分为 0.911（95%CI： 0.887–0.932).在外部验证队列中，该模型的 AUC 为 0.853（95%CI：0.832–0.876），准确率为 82.8%（95%CI：81.7–84.4），灵敏度为 84.5%（95%CI：82.5–86.2），特异性为 81.1%（95%CI：79.2–84.5），PPV 为 80.4%（95%CI：79.0–84.0），NPV 为 85.1%（95%CI：83.2–87.7），F1 评分为 0.839（95%CI： 0.802–0.877).DL 模型表明恶性肿瘤的预测概率和实际概率之间具有良好的一致性。DCA 证实该模型具有临床价值。

【解释】：研究表明，基于 DL 的系统可以为 FN 的术前诊断提供无创、准确和可靠的工具。通过提高诊断精度，这种方法有可能优化临床决策并减轻 FN 患者过度治疗的负担。有必要进行进一步的前瞻性研究，以便在现实世界的临床环境中验证这些发现。

【文章标题】：通过深度学习评估结直肠癌的基因型- 表型相关性：一项多中心队列研究

DOI：
10.1016/j.landig.2025.100891

【背景】：基于深度学习的模型能够从用苏木精和伊红染色的结直肠癌组织病理学载玻片中预测分子生物标志物;然而，很少有研究系统地评估微卫星不稳定性 （MSI）、BARE 和 KRAS 之外的预测目标。我们的目标是开发和验证一种基于深度学习的多靶点模型，用于同时预测结直肠癌中的多种遗传改变及其相关表型。

【方法】：在这项多中心队列研究中，通过手术切除获得结直肠癌患者的组织样本，并用苏木精和伊红染色。然后将这些样本数字化为整张玻片图像，并用于训练和测试基于 Transformer 的深度学习算法，用于生物标志物检测，以同时预测多种遗传改变并提供热图解释。主要数据集包括来自五个队列的 1376 名患者，他们接受了全面的面板测序，另外还有来自两个公共数据集的 536 名患者进行验证。我们将该模型的性能与传统的单目标模型进行了比较，并检查了改变和共享形态的共现。

【发现】：多靶点模型能够预测病理载玻片中的众多生物标志物，匹配并部分超过单靶点转换器。在主要外部验证队列中，多靶点变压器的受试者工作特征曲线下平均面积 （AUROC） 为 BRAF 为 0·78 （SD 0·01），超突变为 0·88 （0·01），MSI 为 0·93 （0·01），RNF43 为 0·86 （0·01）;预测性能在各个指标中是一致的，并得到共现分析的支持。然而，具有高 AUROC 的生物标志物在很大程度上与 MSI 相关，模型预测在很大程度上取决于病理检查时与 MSI 相关的形态。

【解释】：通过使用与 MSI 相关的形态学和共享表型中更微妙的生物标志物特异性模式，多靶点转换器有效地预测了用苏木精和伊红染色的载玻片中结直肠癌中各种遗传改变的生物标志物状态。这些结果凸显了在基于深度学习的生物标志物研究中考虑突变共现和共同形态的重要性。我们经过验证且可扩展的模型可以支持扩展到其他癌症和大型、多样化的队列，从而有可能促进精准肿瘤学中具有成本效益的预筛选和简化诊断。